1、2019/6/23“第四届全国定量遥感学术论坛”南京大学,2019.6.14-16“第四届全国定量遥感学术论坛”南京大学,2019.6.14-161.RAPID概述2.最新进展激光雷达模拟：高光谱点云微波雷达模拟：后向散射和垂直廓线模拟Web版本开发进展：树种库、XML统一输入、后台运行机制全波段方面的集成其他方面：IGARSS 2019培训、林业定量遥感教材、约稿文章3.应用案例枯梢率反演林火模拟、地形效应模拟4.问题和展望http:/ 林分结构数据 土地覆盖生理生化粗糙度波长角度介电常数介电常数 组分散射组分散射 散射消光散射消光 矩阵矩阵 计算机图形学计算机图形学动态投影模块几何变换模块

2、动态投影模块几何变换模块统一辐射度理论统一辐射度理论 多次散射求解 几何成像 组分贡献 漫射形状因子漫射形状因子组分温度发射率组分温度发射率 反射率透过率反射率透过率组分反射组分反射小气候模型小气候模型生理生化生理生化气象参数气象参数镜面形状因子镜面形状因子 雷达信号雷达信号 总后向散射系数 组分后向散射系数全极化雷达图像 光学信号光学信号 方向反射率 反照率 高分图像 鱼眼图像热红外信号热红外信号 方向亮度温度 热红外图像 鱼眼热红外图像激光雷达信号激光雷达信号 地基点云 机载点云 星载波形 气象边界相比于其他三维机理模型：1 RAPID完全免费，随时下载2 同时模拟光学、热红外、lidar

3、和微波后向散射3 自主知识产权，随时扩充功能4 RAPID is rapid 激光雷达模拟：高光谱点云、枯梢点云 微波雷达模拟：后向散射和廓线 Web版本：树种库、XML统一输入、BS结构 全波段方面的集成 IGARSS 2019培训 林业定量遥感教材 RAPID综述文章基于计算机图形学，提出一种坐标变换投影法坐标变换：鱼眼扭曲变换，透视变换 平行投影视角栅格投影：以观察矢量方向进行平行投影，栅格化光斑建模：高斯能量分布模型，距离有关图像扫描：根据距离和视场角，估计光斑大小逐像素扫描半球面拉伸为平面坐标变换栅格投影边缘理论上也是弧形，不过假设目标较小时，近似直线光斑建模图像扫描圆形轮廓内部高斯

4、能量分布脉冲宽度大小=视场角*距离逐像素对任意，1确定光斑位置和大小2遍历光斑内所有像素3每个像素有属性多边形编号高光谱反射率到传感器距离高斯分布能量纠正系数4根据距离分段累积能量5形成波形3cm100m-foot 0.03-space 0.02水平面向目标的稀疏点云-foot 0.03-space 0.0003水平面向目标的密集点云颜色代表多边形编号垂直向上扫描图像面向目标扫描的图像垂直向上扫描图像面向目标扫描的图像垂直向上扫描的稀疏点云00065band number4004distance(m)450032201离散回波模拟的全波形和高光谱红光波段近红外波段18个波

5、段DN值NDVIHeight(m)正上方飞过Height(m)地基机载不同倾角扫描红光近红外30度60度结果5：被动高光谱图像模拟结果星下点观测热点方向观测前向观测020406080100120像素位置00.10.20.30.40.50.60.70.8树冠阴影光照树冠CHM结果7：单梢模拟VLP点云RAPID模型模拟点云如果激光能量和太阳光能量相当，高光谱激光雷达会如何？需要在可见光波段，加上太阳的连续非脉冲辐射量。得到的光谱曲线，可能会导致近红外和可见光的对比度降低半球投影在大天顶角变形偏大立方体投影或者多角度拼接为什么跨界做雷达成像模拟？重点基金的执念+林业需求的驱动1).非相干森林场景的

6、后向散射模拟：X,C,L 和P波段2).廓线雷达模拟Ku波段2018，OctTomoradar调制频率 Modulation frequency163 Hz中心频率Output frequency14 GHz(2.1cm)测距分辨率Range resolution15 cm空间分辨率Spatial resolution6(3dB)极化Transmit receive polarizationsHV/HH 天线孔径Antenna Aperture330mm快速傅立叶变换FFTSoftware in real time模数转换A/D converter12bit定位精度 Positioning a

7、ccuracy1 cm+1 ppm功耗Power consumption20 W 重量weight5 kg数据率Data rate2.5 M/S芬兰南部TomoRadar条带廓线图模拟的单木TomoRadar廓线图三维场景一条HH回波廓线飞行行带廓线图HV的模拟还不尽人意树种库XML统一输入后台运行机制用户网页XML文本上传Web服务器存储到数据库RAPID服务器监听模块发送消息MSMQ消息队列定时读取消息队列根据消息队列读取XML3D场景及运行参数场景产生模块为什么集成？教学的方便+全波段融合的需要1).叶片Prospect，liberty,叶片散射模型2).土壤简易光学模型，微波物理光学3

8、).树干干叶片近似，无限长圆柱体1).IGARSS 2019培训2).林业定量遥感教材3).遥感技术与应用三维遥感机理模型RAPID原理及其应用 有哪些应用场景？枯梢率反演、林火模拟、地形纠正 面向科学家：算法试验 面向研究生：机理教学 面向工程师：传感器参数设计 面向业务化：反演结果的直观呈现云南松枯梢率反演地表火模拟三维模型的应用潜力：计算性能提升，精度需求提高三维模型的下一步发展途径功能上：高光谱激光雷达、荧光、层析SAR、高精度应用上：与AI的结合、教学、硬件的结合、易用模型之间如何协同，构建良好的三维模拟生态找准生态位：面向应用、扬长避短、取长补短宣传推广：RAPID 3D with

9、 LESS time but MORE functions持续推进RAPID模型，期待合作谢谢！城市化过程与生态效应城市化过程与生态效应长江流域城市化对植被和城市热岛的影响方法和数据对估计城市热岛强度的影响中国主要城市的城市热岛变化中国城市热岛变化影响因素分析中国城市和乡村地表参数变化特征研究中国城市和乡村地表参数变化特征研究中国植被变绿增加植被绿度空间异质性全球植被变绿增加城市热岛强度南美/非洲城市化地表生态效应研究区拓展提供参考其他区域研究结合植被变绿背景介绍背景介绍1两大环境问题城市化城市化气候变化气候变化大气污染大气污染粮食短缺粮食短缺全球变暖全球变暖全球变冷全球变冷城市热岛城市热岛无

10、论是全球变暖还是变冷都会给人类和环境带来无论是全球变暖还是变冷都会给人类和环境带来巨大的灾难巨大的灾难2城市热岛：指城区的城市热岛：指城区的温度温度比乡村比乡村高高的现象城市热岛强度：城市温度的现象城市热岛强度：城市温度减去减去乡村温度乡村温度改变温度改变温度Question:关系关系?影响人体健康影响人体健康增加能源消耗增加能源消耗影响动植物活动影响动植物活动气候变化气候变化影响舒适度、增 加 发 病 率影响舒适度、增 加 发 病 率(Patzetal.,2005)增加用电量，尤 其 是 夏 天增加用电量，尤 其 是 夏 天(Akbari et al.,2005)影响生物多样性、植被物候影响

11、生物多样性、植被物候(Grimm et al.,2005)3城市热岛城市热岛背景介绍背景介绍1Founda et al.,2015,2017Li et al.,2013,2015,2016Ramamurthy et al.,2015,2017Schatz et al.,2015Ward et al.,2016Winguth et al.,2013Hu et al.,2015Wang et al.,2016问题研究现状问题研究现状研究区较小较小，结论不完全一致只研究夏季夏季，冬季的研究极少用气象站点，监测范围小监测范围小且分布不均研究意义研究意义涉及两大重要问题之间的关系目前城市热岛和气候变化之

12、间的关系引起了越来越多的关注，但是目前的研究目前城市热岛和气候变化之间的关系引起了越来越多的关注，但是目前的研究仍然存在一些问题仍然存在一些问题4背景介绍背景介绍1研究区研究区：研究区：中国31个个主要城市（2个城市群、29个城市）分界线：分界线：秦岭秦岭淮河淮河分界线将中国分为南方和北方分界线将中国分为南方和北方原因：原因：中国在过去几十年内经历了快速的城市化经历了快速的城市化，城市热岛现象明显；中国面积较大，不同地区气候差异明显不同地区气候差异明显5珠三角城市群长三角城市群实验设计实验设计2CLUD土地覆盖土地覆盖MODIS地表温度地表温度MODIS植被指数植被指数MODIS反照率反照率数

13、据遥感数据优点：数据获取容易，成本低空间连续覆盖监测范围广，大尺度研究卫星遥感已经成为监测城市热岛的最主要的方法最主要的方法61km空间分辨率，5年间隔1km空间分辨率，8天时间分辨率1km空间分辨率，1个月时间分辨率1km空间分辨率，8天时间分辨率实验设计实验设计2实验设计实验设计2方法1.使用使用城市热岛城市热岛强度强度作为量化城市热岛的指标作为量化城市热岛的指标3.将将极热夏天极热夏天和和极冷冬天极冷冬天的城市热岛和其他情况对比的城市热岛和其他情况对比4.使用使用标准差标准差判判断年际间城市和乡村温度的波动情况断年际间城市和乡村温度的波动情况2.将城市热岛强将城市热岛强度和年际间背景温度

14、度和年际间背景温度相关分析相关分析1.定量城市热岛定量城市热岛2.皮尔逊相关分析皮尔逊相关分析3.研究极端条件研究极端条件4.研究变化规律研究变化规律7蓝色表示负相关蓝色表示负相关在夏天白天夏天白天和冬天白天冬天白天，城市热岛强度和背景温度在中国北方北方所有城市都呈负相关负相关夜晚夜晚没有这种现象，中国南方南方没有这种现象7这表明：在中国北方，越这表明：在中国北方，越冷冷的年份城市热岛强度越的年份城市热岛强度越强强；在越；在越热热的年份城市热岛强度越的年份城市热岛强度越弱弱。实验实验1：将城市热岛强度和年际间背景温度：将城市热岛强度和年际间背景温度相关分析相关分析实验结果实验结果3在极热极热的

15、夏天夏天白天，北方城市热岛强度比平常低比平常低0.75度度（15个城市平均）在极冷极冷的冬天冬天白天，北方城市热岛强度比平常高比平常高0.84度度（15个城市平均）蓝色表示城市热岛强度 降低蓝色表示城市热岛强度 降低红色表示城市热岛强度升高红色表示城市热岛强度升高8中国北方夜晚中国北方夜晚没有这种现象，中国没有这种现象，中国南方南方没有这种现象没有这种现象实验实验2：将：将极热夏天极热夏天和和极冷冬天极冷冬天的城市热岛和其他情况的城市热岛和其他情况对比对比实验结果实验结果3在夏天白天夏天白天和冬天白天冬天白天，所有北方城市的城市地表温度年际间变化的标准差标准差都比乡村低：低：夏天白天：0.99

16、4 vs 1.431 冬天白天：1.577 vs 2.077 这表明城市地表温度波动波动比乡村小小蓝色表示城市标准差比乡村低蓝色表示城市标准差比乡村低9植被指数植被指数和和反照率反照率也存在类似的现象也存在类似的现象实验实验3：使用：使用标准差标准差判断年际间城市和乡村温度的判断年际间城市和乡村温度的波动情况波动情况实验结果实验结果310 中国南方：中国南方：湿润湿润气候，土壤湿度较高，植被对降雨气候，土壤湿度较高，植被对降雨不敏感不敏感 夜晚：植被蒸腾作用夜晚：植被蒸腾作用很少很少中国北方极热夏天极热夏天城市植被植被少量减少、土壤湿土壤湿度少量降低乡村植被植被大量减少、土壤湿度土壤湿度大幅降

17、低城市温度小幅小幅升高乡村温度进一步升高城市热岛强度降低降低 总结总结：植被植被和和土壤湿度土壤湿度的不敏感性导致了温度的不敏感性的不敏感性导致了温度的不敏感性讨论讨论4越干旱的城市，不敏感性越明显越干旱的城市，不敏感性越明显11 中国南方：中国南方：温暖温暖气候，冬天降雪气候，冬天降雪较少较少 夜晚：积雪夜晚：积雪不能不能反射阳光反射阳光中国北方极冷冬天极冷冬天城市降雪降雪、积雪积雪、土壤湿度土壤湿度少量增加乡村降雪降雪、积雪积雪、土壤湿度土壤湿度大量增加城市温度小幅小幅降低乡村温度进一步降低城市热岛强度升高升高 总结总结：反照率反照率和和土壤湿度土壤湿度的不敏感性导致了温度的不敏感性的不敏

18、感性导致了温度的不敏感性讨论讨论4越寒冷的城市，不敏感性越明显越寒冷的城市，不敏感性越明显减少减少城市在极端天气下的温度变化幅度温度变化幅度无论全球变暖还是变冷可能都会有用都会有用可能减少减少极端天气给城市带来的危害危害12意义减少对健康的危害减少能源消耗减少对健康的危害减少能源消耗城市表面不敏感性城市表面不敏感性全球变暖全球变暖/变冷变冷增加增加极端高温/低温天气的频率频率这种城市表面的特性有利于城市这种城市表面的特性有利于城市可持续发展可持续发展SustainabilityHeatwave讨论讨论4中国北方：中国北方：夏天白天和冬天白天城市热岛强度和背景温度呈负相关负相关中国北方：中国北方

19、：白天城市热岛强度在极热的夏天降低降低，在极冷的冬天升高升高中国北方：中国北方：城市的温度、植被、反照率的年际间变化标准差标准差都比乡村低低关系关系对比对比特征特征131特色：特色：绝大多数研究的研究区较小，绝大多数研究的研究区较小，本文进行大范围、多个气候区的研究本文进行大范围、多个气候区的研究 绝大多数研究只研究夏季，绝大多数研究只研究夏季，本文研究冬季城市热岛和气候的关系本文研究冬季城市热岛和气候的关系 发现一种现象：发现一种现象：中国北方城市表面的不敏感性中国北方城市表面的不敏感性23解释：解释：这些现象主要是由中国北方的干、冷干、冷气候导致的。中国南方不存在这种现象。总结总结5全球叶

20、面积指数验证研究：进展与展望全球叶面积指数验证研究：进展与展望Validation of global leaf area index(LAI):Recent 中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室2019年6月15日2019年6月15日第四届全国定量遥感学术论坛南京大学全球植被全球植被LAI值值全球植被生长旺季LAI值:2.0全年LAI平均值:1.5北半球生长旺季:2.0-2.5(1)Table 3,Yan et al.(2016);(2)Table 1,Fang et al.(2012);(3)Table 2,Baret et al.(2006);(4)Table

21、2,Iio et al.(2014);(5)p.202,Asner et al.(2003);(6)Table 3,Fang et al.(2013);(7)Fig.4,for July,2001,Yan et al.(2016).各大国际计划对各大国际计划对LAI产品的精度要求产品的精度要求ProjectsApplicationUncertainty requirement aReferencesGCOSTOPC10%7%5%WMObUncertainty(RMSE):Max(15%)GCOS 2016Accuracy(bias):max(20%,0.5)GCOS 2011Accuracy(

22、bias):0.21.0CEOS/WMO 2001GMESAccuracy:10%Drusch et al.2012GTOS25%15%GTOScWMOAgricultural meteorology10%7%5%WMObGlobal NWP20%10%5%HR NWP20%10%5%Hydrology20%8%5%a Stated in terms of the threshold,the breakthrough and the goal values.LAI 验证历史过程和精度变化验证历史过程和精度变化Fang&Liang(2005,RSE)MODIS C3USDA BARCMODIS/

23、Terra C4(QC128)Main:85.8%R2=0.435RMSE=1.42MODIS/Terra C5(QC128)Main:92.5%R2=0.307RMSE=1.53MODIS/Terra+Aqua C5(QC128)Main:97.6%R2=0.526RMSE=1.09VGT/CYCLYPES V3.1(LAI6.0)R2=0.557RMSE=0.97Field true LAIFang et al.(2012,RSE)全球中尺度全球中尺度LAI产品的验证产品的验证Fang,H.,Baret,F.,Plummer,S.,and Schaepman-Strub,G.(2019).

24、An overview of global leaf area index(LAI):Methods,products,validation,and applications.Review of Geophysics,doi:10.1029/2018RG000608.全球中尺度全球中尺度LAI产品的验证产品的验证十米级十米级LAI产品的验证产品的验证Fang et al.(2019,ROG)十米级十米级LAI产品的验证产品的验证全球态势全球态势与与区域差异区域差异Fang et al.(2019,RSE in revision)全球产品的区域评价：东北农田全球产品的区域评价：东北农田环境卫星估

25、算的水稻环境卫星估算的水稻LAI：洪河：洪河HJ/L8/S2估算的农田估算的农田LAI：海伦：海伦Fang et al.(2019,RSE in revision)高分辨农田高分辨农田LAI与实测数据比较与实测数据比较中分辨率卫星估算的水稻中分辨率卫星估算的水稻LAI：洪河：洪河中分辨率卫星估算的农田中分辨率卫星估算的农田LAI：海伦：海伦Fang et al.(2019,RSE in revision)中分辨率中分辨率LAI产品与升尺度高分辨率产品与升尺度高分辨率LAI的对比验证的对比验证全球全球LAI遥感产品的不确定性遥感产品的不确定性 千米级产品:R2:0.60.7,RMSE 0.751

26、.0;十米级产品:R2:0.70.8,RMSE 0.50.6;个别区域，如东北农田:RMSE 1.01.5全球全球LAI产品整体表现良好，在不同季节、不同区域和不同生态系统呈现较大差异，需要进一步完善。产品整体表现良好，在不同季节、不同区域和不同生态系统呈现较大差异，需要进一步完善。LAI产品验证与评价方案产品验证与评价方案I.地面实测点与卫星像元数据的地面实测点与卫星像元数据的直接对比直接对比验证验证II.卫星数据与卫星数据与升尺度升尺度后的高分辨率数据对比验证后的高分辨率数据对比验证III.不同卫星产品的不同卫星产品的交叉比较交叉比较IV.LAI产品与产品与其它其它光学、生物物理和气候光学

27、、生物物理和气候变量变量的比较（的比较（NDVI、FPAR、反照率等）、反照率等）V.卫星产品与卫星产品与模型模拟模型模拟LAI的对比的对比VI.不同不同LAI产品在模型中的产品在模型中的应用效果应用效果比较比较全球全球LAI变化：变化：2001 2017MCD15A2H,V6:(a)年平均年平均,(b)生长季生长季(4月月10月月),(c)12月月1月月,(d)6月月8月月全球全球LAI变化：历史与未来变化：历史与未来I.18502005，0.04(LULCC),0.11(climate+LULCC)(Lawrence et al.,2012)II.1982-2011,0.04/10a(Ze

28、ng et al.,2018)III.2001-2017,0.05/10a(0.06/10a growing season;0.04/10a,DJF)(Fang et al.,2019)IV.To 2100，0.16(Tropics),0.35(mid-latitude),0.31(high-latitude)(Mahowald et al.,2016)工业革命以来工业革命以来LAI在缓慢增加（在缓慢增加（0.01/10a），过去），过去40年增速较快（年增速较快（0.04/10a），到本世纪末中速增加（），到本世纪末中速增加（0.02 0.03/10a）。）。Fang et al.(2019

29、,ROG)Fang,H.,F.Baret,S.Plummer,and G.Schaepman-Strub,2019.An overview of global leaf area index(LAI):Methods,products,validation,and applications,Review of Geophysics.http:/dx.doi.org/10.1029/2018RG000608 Special LAI/FAPAR session in IGARSS19(https:/igarss2019.org/)Session MO4.R12.Monday,29 July,16:

30、20 18:00.Registration opened on Mar 29,2019.Attendants welcome to meet after session at dinner.Remote Sensing special issue“Remote Sensing of Biophysical Parameters”.Editors:J.GarcaHaro(U.Valencia),H.Fang(CAS),and M.Campos-Taberner(U.Valencia).Deadline:May 22,2020.http:/ to our list Chair of LAI foc

31、us area Email me.I can subscribe you automatically.全球叶面积指数验证研究：进展与展望全球叶面积指数验证研究：进展与展望Validation of global leaf area index(LAI):Recent development and future prospects中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室2019年6月15日2019年6月15日第四届全国定量遥感学术论坛南京大学典型亚热带森林生态系统水分利用效率对物候变化的响应以浙江省为例汇报提纲1研究背景及意义2数据和方法3结果分析4主要结论第 3 页研究

32、背景Why WUE(Water Use Efficiency)?生态系统尺度：（Le Houerou,1984）衡量生态系统碳水耦合循环程度的重要指标（Reichstein et al.,2007;Huang et al.,2015;）而陆生系统碳水耦合循环是其物质循环和能量转换核心（于贵瑞等,2013）ETGPPWUE 第 4 页研究背景植被物候：植物生长周期中某一事件发生的时间节点或不同状态之间的转折点。从植物个体到生态系统各个尺度,众多过程都由物候直接或间接调控,特别是与碳(光合与呼吸)、水(蒸腾与蒸发)循环相关的过程(Reed等,2009)发芽展叶落叶第 5 页研究背景LSP(Land

33、 surface phenology)：基于像元内植被指数动态曲线，其生态含义与地表观测具有差异（Chen Jin）。单株植被区域混合信息Phenology is a leading indicator of climate change impacts.(Morisette et al.,2008)生长季开始：Start of growing season（Day of Year）生长季结束：End of growing season（Day of Year）生长季时长：Length of growing season（Day）第 6 页研究背景物候变化？GPP、ET变化？WUE？WUE对物

34、候的敏感性与森林生境气候变化关系如何？科学问题解决以上问题，将有助于加深对气候变化下森林生态系统碳水耦合循环的生物调控机制的认识汇报提纲1研究背景及意义2数据和方法3结果分析4主要结论第 8 页研究内容及方法中国区域高时空分辨率地面气象要素驱动数据集，分辨率为0.1气候数据2000-2012年MODIS 土地覆盖数据产品，空间分辨率为0.05土地覆盖数据2000-2014年MODIS GPP和ET产品，空间分辨率为0.05MODIS GPP 和 ET第 9 页研究内容及方法有效值的确定(1)对于土地覆盖数据,保留12年均为混交林覆盖的像元(2)选择夏季活跃型森林生态系统,即夏季（68月）GPP

35、均值在一年中最高,冬季(122月)GPP均值在一年中最低(3)每年有效的GPP数据记录应该大于总数据记录的80%第 10 页方法将8天GPP数据线性插值成分辨率为1天SSA滤波处理得到平滑GPP曲线动态阈值法提取物候统计分析、梯度分析（Jin et al.,2017）汇报提纲1研究背景及意义2数据和方法3研究结果4主要结论第 12 页研究结果WUE和物候时空动态格局-0.6-0.30.00.30.60.9-8-404812KW U E(1 0-3g C m-2m m-1y r-1)KSOS(dayyr-1)sens slope=-0.004P 0.01（a）-0.6-0.30.00.30.60

36、.9-5051015KSOS(dayyr-1)sens slope=0.0039P 0.01（b）-0.9-0.6-0.30.00.3-16-12-8-40KEOS(dayyr-1)sens slope=0.0049P 0.01（c）春、夏季WUE增加，秋季WUE降低SOS延迟，EOS提前WUE年际趋势随空间物候变化梯度特征春（夏）季WUE年际变化趋势与SOS年际变化趋势呈负（正）相关秋季WUE年际变化趋势与 EOS年际变化趋势呈正相关第 13 页研究结果2000-2014WUE与物候的相关关系春季81.42%的区域WUE与SOS呈现负相关，SOS提前，春季WUE增加夏季82.43%的区域WU

37、E与SOS呈现正相关，SOS提前，夏季WUE减少秋季85.58%的区域WUE与EOS呈现正相关，EOS延后，秋季WUE增加第 14 页研究结果0.120.160.200.240.280.32（b）sens slope=0.2740P=0.532176180184 sens slope=0.0059P=0.019（c）0.240.280.320.360.40sens slope=1.2528P=0.0013（e）0215220 sens slope=0.0019P=0.071（f）2-0.40.00.40.8偏相关系数温度()se

38、ns slope=-0.0034P=0.65（g）0.100.120.140.160.180.20降水(mm)sens slope=2.8851P 0.01（h）0145辐射(MJm-2day-1)sens slope=0.0092P 0.01（i）1012141618-0.8-0.40.00.4偏相关系数 sens slope=0.0075P=0.13（a）202224262830-0.8-0.40.00.40.8偏相关系数 sens slope=-0.0452P 0.01（d）空间气候梯度下季节性水分利用效率WUE对物候因子（SOS/EOS）敏感性的空间变异第 15

39、页研究结果2000-2014年季节性WUE对物候响应模式的空间分布春季模式主导：SOS提前，植被开始光合作用和蒸腾作用，GPP增加,ET增加。夏季模式和主导：SOS提前，夏季GPP受到土壤水分限制而降低，SOS延后，植被在生长季会有更强的固碳表现秋季模式和主导：EOS延迟,为生态系统的光合作用争取到了额外的光合作用时间,增加了秋季GPP第 16 页研究结果不同空间气候梯度下WUE对物候的响应模式的空间变异汇报提纲1研究背景及意义2数据和方法3结果分析4研究结论第 18 页物候变化对季节性WUE影响显著研究结论本研究以浙江省亚热带混交林为研究对象，利用遥感数据分析森林生态系统水分利用效率（WUE

40、）和地表物候的时空变化，指出：WUE对物候的敏感性与森林生境气候条件关系密切Take home message第 19 页研究结论敬请批评指正！利用SMAP土壤含水量与数据同化实时校正GPM降水产品中山大学，地理科学与规划学院2019年6月15日第四届全国定量遥感学术论坛，南京 问题的提出 研究方法 研究结果 讨论汇报提纲研究问题 问题原始卫星降水数据实时性好，精度差校正过的卫星降水数据实时性差,精度高 目标：如何能在保持卫星降水产品实时性的同时，提高卫星降水的精度？实时和精确的卫星降水 卫星降水数据应用广泛干旱洪水监测、模拟研究区域、数据CMPA,mm/dayGPM,mm/day 区域：中国

41、大陆 待校正的降水产品：GPM IMERG early-run 参考降水，CMPA:China Merged Precipitation Analysis GPM 对降水的预估与 CMPA 有明显的区别2017年5-9月降水几类方法目标：实时降雨校正（CMPA 为真值）方法1机理模型（API模型）：建立降水与土壤含水量关系同化算法：对卫星产品进行扰动土壤含水量模拟集合机理模型+同化算法 校正降水 方法2-拟合方法：根据历史数据寻求遥感降水（GPM）和真值（CMPA）的关系 方法3-方法1和方法2的结合方法1-API模型:建立降水与土壤水分的关系sm t?sm t?1 e?sm t?11?e?7

42、e?T?0.006T?0.03T?9.5T?287 t:time step sm:soil moisture?:saturated soil moisture P:precipitation h:depth of surface soil layer T:air temperature土壤含水量取决于上一个时刻的土壤含水量与降雨数据同化：particle filter 根据原始降雨模拟一百组降雨（乘以因子k）输入100组模拟降雨到API模型中，输出100组模拟土壤含水量 k=?e?if P_GPM?P?0.145 randg 5.43 if P_GPM?P?计算一百组模拟土壤含水量与SMAP观

43、测得到的土壤含水量之间的RMSE 误差最小的十组数据对应的模拟降雨被选中，其平均值最为同化校正后的降雨量（即输出值）同化过程示例a)b)c)d)图a)蓝色实线：土壤含水量，蓝色柱子：降雨；图b)灰色柱子：扰动后的100组降雨，绿色点：SMAP土壤含水量；图 c）黄实线：100组中最好的10组土壤水分；图 d）黄色柱子：100组中最好的10组降雨，红色为10组平均的降雨，即为最终校正后的降雨方法2-拟合方法：GPM和CMPA的关系 拟合方法：根据历史数据寻求GPM和CMPA的关系P?i,t?a?P?i,t?P?i,t?b?P?i,t?P?i,t?F?F?P?i,t?线性拟合 非线性拟合 CDF拟

44、合不同方法产生的产品 CMPA：参考数据 GPM：卫星数据（待校正数据）SMP：土壤含水量校正 GPM-Linear:线性拟合校正 GPM-Nonlinear:非线性拟合校正 GPM-CDF:CDF拟合校正 SMP-Linear:土壤含水量校正+线性拟合校正 SMP-Nonlinear:土壤含水量校正+线性拟合校正 SMP-CDF:土壤含水量校正+线性拟合校正方法1方法2方法3研究结果：RMSEa)GPMb)GPM-Linear/GPMc)GPM-Nolinear/GPMd)GPM-CDF/GPMe)SMP/GPMf)SMP-Linear/GPMg)SMP-Nolinear/GPMh)SMP-

45、CDF/GPM 冷色：与原始卫星产品，RMSE减少较多以CMPA为真值，计算a)GPM的RMSE，b)-h)以及各种校正产品相对于GPM的提高幅度研究结果：BIASa)GPMb)GPM-Linearc)GPM-Nolineard)GPM-CDFe)SMPf)SMP-Linearg)SMP-Nolinearh)SMP-CDF 冷色：产品的BIAS小以CMPA为真值，计算GPM和校正产品的BIAS13降水产品降水产品RMSE(mm/d)BIAS(mm/d)10th50th90th10th50th90thGPM1.375.2513.430.372.035.46SMP1.44.3210.150.411

46、.764.63GPMLinear0.865.04b12.390.231.855.14GPMNonlinear0.864.6411.150.312.195.61GPMCDF2.146.9218.550.582.737.57SMPLinear0.674.0010.400.181.694.83SMPNonlinear0.704.0710.520.231.81b5.23SMPCDF1.545.3212.460.382.145.77研究结果：RMSE和BIAS影响校正效果的因素：植被密度植被越茂密，SMAP质量越差，校正产品与GPM的差别越小，意味着校正效果越差叶面积指数校正产品与原始卫星产品RMSE差

47、值1-22-33-44影响校正效果的因素：SMAP卫星观测频率 观测频率越高（东南部地区），校正效果越好讨论 API模型太简单？复杂的非线性水文模型 其它数据同化方法？卡尔曼滤波 根据SMAP数据质量进行数据同化？结合其它影响因素的校正策略？地形谢谢，请批评指正！2019-06Estimation of Forest Canopy Height and Aboveground Forest Biomass in Hilly Areas Using Lidar Waveform Data第四第四届全国定量遥感学术论坛届全国定量遥感学术论坛2019-06内内容容 意义与挑战意义与挑战 研究区与技术

48、路线研究区与技术路线 LiDAR波形数学解算波形数学解算 山区森林冠层高度估算山区森林冠层高度估算 区域区域尺度地上生物量尺度地上生物量估算估算 结论与讨论结论与讨论2019-06Forest canopy height(FCH)is a key parameter in the estimation of forest biomass and productivity.Aboveground forest biomass(Bagf)is of great significance for the determination of carbon sources and sinks,carbon

49、 cycling and global change research.一、意义与挑战NASA Earth Observatory image by Jesse Allen&Robert Simmon,using data from Michael Lefsky.2019-06GLAS (the Geoscience Laser Altimeter System)was sucessfully launched aboard the ICESat,from January 12,2003.GLAS is the first laser-ranging(lidar)instrument for

50、continuous global observations of Earth.The laser will transmit short pulses(4 ns)of infrared light(1064 nm)and visible green light(532 nm).ICESat-2s laserICESat-2 successfully launched Sept.15,2018,uses lasers and a very precise detection instrument to measure the elevation of Earths surface.ATLAS(

51、Advanced Topographic Laser Altimeter System)has a single laser with 532 nm,split into six beams and arranged in three pairs to better gauge the slope,take measurements every 70 cm along the track,with 3.3 km between pairs and Interval 90m.If ICESat-2 flew over a football field,the ATLAS would collec

52、t data points between each yard line.10m70m2019-06 However,areas with hilly or mountainous terrain present a genuine challenge to extract the vertical structural parameters by using the large footprint Lidar full waveform data.(Hyde,2005)2tcR地面回地面回波信号波信号冠层回冠层回波信号波信号LIDAR脚印脚印fftan(Dong,2008)对于GLAS/AT

53、LAS系统来说，当坡度增大时，地面信号会向上传播至70tan10o=12.34m，10tan25o=4.66m，如果树高小于12.34m/4.66m，则树冠信号完全包含在地面回波信号中，因此增加了树高提取的难度。2019-06二、研究区与技术路线研究区域2019-06技术路线2019-06三.LiDAR波形数学解算A.Gaussian waveform decomposition and fitting The improved method for inflection point search Initial estimation of waveform parameters Echo d

54、ecomposition Levenberg-Marquardt non-linear fittingB.Signal starting and ending position detectionC.Detection of the ground waveform position The model of waveform:Processing steps:2019-06 The improved method for inflection point searchA mathematic method based on the inflection point of Lidar wavef

55、orm is developed and applied to process GLAS data.内点(P3)外点(P4)矢量 P1P2P1P2：L12(x,y)=(x2-x1)(y-y1)+(y1-y2)(x-x1)拐点是曲线凹凸交界点，不在同一矢量上的三点可以确定某段曲线的凹凸性。因此，要获得曲线拐点信息至少需要四个点。采用内外点知识，可以对连续4 个点中的第3 个点判断是否为拐点。由于凸（或凹）曲线是其所有切线的包络线，因此，在较小的范围内，凸（或凹）曲线上的点都处于其上切线族的同侧。假设给定的点集来自彼此很接近的曲线点集，则曲线的切线可以由相继两点的正向直线代替，这样就可以用关于正向

56、曲线的点集分类来确定拐点。A.Gaussian waveform decomposition and fitting2019-06Arithmetic of inflection judgment for GLASL12(x3,y3)L23(x4,y4)0点P4(x4,y4)或P4(x4,y4)与矢量P2P3的夹角有可能较小，给拐点的确定增加了难度2019-06Inflection point for GLAS waveform data in different terrain type2019-06 Initial estimation of waveform parameters求取曲线

57、拐点后，由奇偶相邻的两个拐点就可解算出决定高斯分量的中心位置、半宽、振幅等参数，从而确定出曲线的高斯表达形式。mmmmmtttt212,min由于存在饱和与前向散射时波形曲线会发生扭曲，由拐点解算的高斯宽度存在一定的误差，因此，具有最大振幅的高斯分布的宽度不能用上述方法解算 对（Brenner et al.2003）算法进行改进：区间T2m-1,T2m中的最大值是否与两拐点之一重叠；最大值位置的波形变化因满足从正变化到负变化的规律；两拐点之间是否出现小的波谷，如果出现则可判定相邻有波峰存在，由此进行前向或后向搜索求解峰值2019-06Waveform peaks for the GLAS da

58、ta in different terrain type2019-06 Echo decomposition由于地形的影响，激光雷达所测得的数据不是一个单一的波形，大多数情况下是一个复杂的曲线。为了提取激光脚印中地物的高度分布及其它如地表反射率、高度及粗糙度等信息，必须要将这些复杂波形数据分解成不同平面或不同地物的单峰回波曲线，以用于所需要的参数的提取最小高斯振幅：将振幅小于Amin的高斯峰剔除，保留比Amin大的峰；对于相邻波峰间间隔小于发射脉冲宽度的高斯波峰进行合并；对这些波按面积进行排序，将最小面积的波峰合并到距离其最近的面积最大的波峰中去，直到高斯波峰的数目少于或等于6个。按面积权重或

59、平均值进行合并：2019-06Decomposed waveforms for GLAS data in different terrain type2019-06 Levenberg-Marquardt non-linear fitting在地形复杂地区，经过高斯滤波后的波形数据存在一定的展宽，且各个高斯分量的幅度也有所减小，这不利用高度信息的提取。Wave-fitting for GLAS data in different terrain type(Levenberg,1963)2019-06B.Signal starting and ending position detectionC

60、.Detection of the ground waveform position起始信号的阈值为起始噪声的平均值加上其标准偏差的和，而相应的信号结束的阈值为结束噪声的平均值加上其标准偏差的和Ground peaks detection for the GLAS waveform.(a)Smoother surface;(b)Rough surface(Sun,et al.,2008)(Sun,et al.,2008)2019-06四.山区冠层高度估算 FCH in flat areas:FCH extraction in slope areas:不同坡度下GLAS波形松树林（坡度30201

61、9-06 The terrain index model(TIM)The centroid-terrain index model(CTIM)(Lefsky,2005)(Dong,2008,2019)cw为波形质心到回波信号结束位置的距离；质心位置在其波形面积的1/2处也可通过GLA14产品中的参数gpCntRngOff与ldRngOff得到。DEM55采样窗口不同采样模式下计算地形指数地形指数：指GLAS激光脚点位置，一定大小采样窗口（33,55与77）内数字地面模型（DEM）中地表高程的平均大小（Lefsky et al.2005）2019-06Why?瑞利追踪（Ray Tracing）波

62、形分析（Heyder，2005）松树林模拟波形（30年,3m间隔）松树林（19年,1.1坡度）不同坡度下GLAS波形 Heyder（2005）认为信号初始位置与地面回波位置测量结果与信号初始位置与DTM差异所得结果最接近，而且由信号初始位置计算树高结果变化最大，其对坡度的敏感性较大。基于波形质心（Centroid）的计算结果低估了植被冠层高度，但对坡度较大地区，其结果相对比较稳定，对坡度的敏感性较低。Heyder计算了6种冠层高度数据：2019-06 Comparison of TIM and CTIM2019-06 Validation with traditional field-meas

63、ured data Validation with ground-based Lidar dataRMSE reaches 5.83m for all the forests(Dong,2019,JSTARS)2019-06基于LiDAR-FCH与光学数据如VI、LAI和FVC，利用最小二乘算法（OLSR）和和BP-NN模型协同估算区域尺度地上生物量地上生物量(Bagf)OLSR方法方法LiDAR-FCHBiomassNDVI,SAVI,MSAVI,ARVILAIFVCVIi五、区域尺度地上生物量估算2019-06样本数据生物物理意义讨论为什么要计算FVC、LAI、VI？（张仁华 1996）F

64、LAIAHH异速生长测量法原理分析不同类型森林树高与LAI关系1）2)3)2019-06 BP-NN模型f123x1x2xnyx1kx2kxnky1ky2kynk输出层隐含层输入层BP神经元与网络拓扑结构BP网络是一种多层网络，采用最小均方差的学习方式，克服了简单感知器不能解决的XOR和其它一些问题。当隐层神经元数目足够多时，可以任意精度逼近一个具有有限间断点的非线性函数，所以非常适用于非线性模型拟合非线性模型拟合。当建立了BP神经网络模型用于森林生物量计算时就构成了BP神经网络森林生物量模型系统。遥感数据和其它数据作为样本样本数据数据，输入BP模型进行自学习，运用神经网络系统的仿真功能将待测

65、遥感图像输入进行生物量计算。2019-06标准化模型参数确定abaXXXjii|将原始数据标准化至0-1之间。神经网络训练中选取的trainscg函数是可微分递减函数，其值域为0,1。仿真误差评价仿真结果的平均相对误差和平均相对误差绝对值分别为1.62%和7.54%3层BP网络，隐含层节点为10个，误差值E 0.0001或训练次数达到1000次样本数据结果输出与验证LiDAR-FCH、FVC、LAI、VI2019-06FVC结果与验证针叶林植被覆盖度验证R2=0.853600.10.20.30.40.50.60.70.80.9100.20.40.60.81实测值估算值针叶林线性(针叶林)阔叶林

66、植被覆盖度验证R2=0.808400.10.20.30.40.50.60.70.80.9100.20.40.60.81实测值估算值阔叶林线性(阔叶林)混交林植被覆盖度验证R2=0.742400.10.20.30.40.50.60.70.80.9100.20.40.60.81真实值预测值混交林线性(混交林)(董立新，2019，遥感技术与应用,，34(1):136-145)2019-06LAI结果与验证R2=0.792204567观测LAI拟合LAI针叶林R2=0.82观测LAI拟合LAI阔叶林R2=0.77750246810120

67、24681012观测LAI拟合LAI混交林RMSE分别为0.8294、1.1115、1.7909(董立新，2019，国土资源，31(2):73-81)2019-06FCH结果与验证all forest(R2=0.75,RMSE=5.74 m,Mean error=1.24 m).coniferous forest(R2=0.83,RMSE=5.53 m,Mean error=1.19 m)broadleaf forest(R2=0.506,RMSE=4.57 m,Mean error=1.28 m).(Lixin Dong,2019,IEEE JSTARS,dio:10.1109/JSTARS

68、.2019.2908682)2019-06BIOMASS结果与验证2019-06OLSR方法RMSE=17.77 t ha-1BP-NN模型RMSE=12.23 t ha-1(Lixin Dong,2019,IJRS,dio:10.1080/01431161.2019.1587201)2019-06六、结论与讨论结论A mathematic method based on the inflection point of Lidar waveform for the rapid processing of GLAS original waveform data is proposed and a

69、ccomplished.It is found that the mathematic method based on the inflection point is an effective way for GLAS waveform data processing.An improved model,CTIM,is developed and used in the FCH estimation of different forest types in hilly areas.It is found that CTIM integrating waveform centroids and

70、a terrain index offers the better approach to estimate FCH even for areas with large slope angles.The CTIM accuracy is improved with a RMSE of 4.057m from 5.718m,especially for conifer forest.To improve the accuracy of Bagfestimation,the extrapolated model of FCH at the regional scale is defined bas

71、ed on specific relationships between FCH in LiDAR footprint and Landsat derived variables.Validation results indicated that the estimated FCH agrees well with the field measurements for all forest(R2=0.751,RMSE=5.74 m).The OLSR method and BP-NN model for Bagfestimation of two different forest types

72、by integrating LiDAR FCH and optical remote sensing variables(VI,LAI and FVC)are established,respectively.Validation results suggest that RMSE of the Bagfestimation by the OLSR method is 17.77 t ha1.The BP-NN model is superior to the OLSR method,with a RMSE of 12.23 t ha1.It is shown that the BP-NN

73、model is to be useful for the automatic extraction of Bagfat regional scales in areas with a complex topography.2019-06多源数据的尺度匹配多源数据的尺度匹配不确定性来源不确定性来源 地形对多种遥感数据反演结果精度的影响 森林树木种类、分布结构及聚集度的影响 GLAS脚点定位、光学遥感影像像元与实测样地的几何配准误差影响 大气条件的影响 样地实测数据的误差影响讨论2019-06Thanks for your attention!报告提纲报告提纲协同创新中心培育成效国产激光卫星的测

74、高模式国产激光卫星的测高模式激光测高误差分析和几何处理激光测高误差分析和几何处理星载激光测高产品分级及应用星载激光测高产品分级及应用星载激光测高卫星现状星载激光测高卫星现状GF-7GF-7陆地生态碳卫星陆地生态碳卫星激光测高卫星是对地观测卫星系统中非常重要的一部分。未来几年，国内外均有较明确的规划，国产GF-7、陆地生态碳监测卫星将配置激光测高仪。激光测高卫星是对地观测卫星系统中非常重要的一部分。未来几年，国内外均有较明确的规划，国产GF-7、陆地生态碳监测卫星将配置激光测高仪。ZY3-02ZY3-02国内外研究现状国内外研究现状 2016年5月，我国资源三号02星发射，卫星搭载了国内首台激光

75、对地测高仪试验载荷 高 分 七 号 卫 星 预 计 于2019年发射,主要满足我国1:10000立体测绘需求 服务于国家林业调查的碳监测卫星已立项，预计2020年发射国内外研究现状国内外研究现状激光测高卫星平台国内对地激光测高卫星http:/icesat.gsfc.nasa.gov全球高程控制点与高程制图全球高程控制点与高程制图冰川高程测量与制图Michael Lefsky,Colorado State University林业反演与全球生物量估计研究城市三维信息提取与研究https:/www.nasa.gov/mission_pages/icebridge/instruments/icesa

76、t2.html星载激光测高仪星载激光测高仪星载激光测高应用成为当前研究热点国内外研究现状国内外研究现状报告提纲报告提纲协同创新中心培育成效国产激光卫星的测高模式国产激光卫星的测高模式激光测高误差分析和几何处理激光测高误差分析和几何处理星载激光测高产品分级及应用星载激光测高产品分级及应用星载激光测高卫星现状星载激光测高卫星现状 高分辨率国土测绘卫星高分七号（GF-7），是我国首颗民用亚米级高分辨率光学传输型立体测绘卫星。高分七号卫星主要用于我国1:1万立体测图生产及更大比例尺基础地理信息产品的更新；卫星计划于2019年发射，卫星配置了双线阵立体测绘相机和2波束激光测高仪。星载激光测高模式星载激光

77、测高模式 激光测高仪（3+2束1064nm+1束532nm）；多角度多光谱相机（5视,0,20,45）；足印相机/监视相机(激光同光路)碳卫星主要载荷星载激光测高模式星载激光测高模式激光光束出射标识相机激光光束出射标识相机星载激光测高模式星载激光测高模式激光足印相机工作模式激光足印相机工作模式同步模式异步模式星载激光测高模式星载激光测高模式参数项GF-7TECISICESat激光地面光斑直径30m25m70m激光波长(nm)10641064/5321064/532激光出射能量(mJ)12010075/35测距频率(Hz)34040脉冲宽度(ns)557静态测距精度(m)0.30.3 0.15

78、星载激光测高模式星载激光测高模式报告提纲报告提纲协同创新中心培育成效国产激光卫星的测高模式国产激光卫星的测高模式激光测高误差分析和几何处理激光测高误差分析和几何处理星载激光测高产品分级及应用星载激光测高产品分级及应用星载激光测高卫星现状星载激光测高卫星现状预处理预处理接收接收接收接收处理应用标准产品高级产品应用产品0级产品设计设计设计设计在轨参数主动遥感处理流程预处理预处理接收接收接收接收处理处理应用应用标准产品高级产品应用产品0级产品传统光学处理流程激光测高产品分级激光测高产品分级国产星载激光产品分级体系国产星载激光产品分级体系如何以应用为核心建立我国激光测高数据的产品分级体系主要问题星载数

79、据产品处理流程激光测高产品分级激光测高产品分级构建国产激光测高产品分级体系构建国产激光测高产品分级体系产品分级说明原始数据卫星接收望远镜探测到激光回波信号数据激光测高原始数据产品激光回波数据经过预处理、测距数据提取及光斑定位测高数据等。激光测高基础产品经地面激光定标场检校校正补偿后的数据产品。激光测高标准产品经过大气折射延迟修正、全球潮汐修正后的数据产品。激光测高专题产品激光波形预处理数据进行反演得到地表高程数据和地物高程数据等。技术方案激光测高产品分级激光测高产品分级报告提纲报告提纲协同创新中心培育成效国产激光卫星的测高模式国产激光卫星的测高模式激光测高误差分析和几何处理激光测高误差分析和几

80、何处理星载激光测高产品分级及应用星载激光测高产品分级及应用星载激光测高卫星现状星载激光测高卫星现状如何对星载激光测高系统误差项进行分析，以制定合理的误差补偿策略？轨道高度500公里激光束出射测距误差地表坡度星敏测量陀螺漂移大气潮汐卫星GPS测量精度地面地物激光测量精度?主要问题激光测高系统误差分析激光测高系统误差分析激光测高误差分析激光测高误差分析激光卫星误差来源与影响机理主要误差种类影响机理主要误差种类影响机理测量环境误差大气散射、大气折射延迟大气延迟影响激光测距，导致高程误差背景噪声太阳辐射影响背景噪声降低信杂比，波形分解引起测距误差海洋潮汐、固体潮潮汐引起高程基准误差，主要引起高程误差地

81、物目标误差斜率和粗糙度激光光斑中心偏差，引起水平误差载荷器件误差数字转换器件延迟时间同步误差，引起激光测高误差和平面误差APD信号饱和信号饱和引起波形峰值延迟，引起激光测距误差激光出射指向和测距误差同时引起激光测高误差和平面误差轨道测量误差时钟同步误差+轨道测量误差轨道位置的测量误差，引起激光测高误差和平面误差姿态测量误差星敏相机测量姿态误差激光光轴的指向误差，主要引起激光平面定位误差激光测高误差分析激光测高误差分析由激光测高系统的硬件及平台设备自身精度和稳定性引起的误差设备系统误差设备系统误差激光信号传输过程中，由于地球大气及地表地物等系统外部环境对激光测高结果的影响外部环境误差外部环境误差

82、星载激光测量误差星载激光测量误差系统性误差时变性误差激光测高误差分析激光测高误差分析星载激光测高误差分析体系星载激光测高误差分析体系测高系统误差分析测高系统误差分析卫星平台外方位元素包括定轨误差、测姿误差等，引起激光几何定位和测距误差影响激光测高精度包括安装误差、出射延迟及测距时延及随机出射误差等。外方位元素外方位元素激光器测量误差激光器测量误差激光光斑标识误差激光光斑标识误差由于激光被激发时,每次出射方向都会存在差异,因此配置相机标识激光束出射方向激光测高误差分析激光测高误差分析时变性误差补偿时变性误差补偿激光测高仪发射电磁波信号经过大气层时发生折射，并造成测距延迟地表受月球和太阳的吸引力作

83、用而产生的周期性运动，使得激光测高基准发生变化大气延迟影响大气延迟影响地球潮汐影响地球潮汐影响地表地物影响地表地物影响地表反射率、地势起伏、地物分布等,会造成激光回波展宽和子波形混叠激光测高误差分析激光测高误差分析以激光测距原理和误差理论为着手点，构建星地一体化的激光测高严密几何模型，用于激光数据处理流程制定和各级产品划分。激光测高严密模型激光测高严密模型激光波形处理激光波形处理激光波形处理激光波形处理潮汐改正模型潮汐改正模型潮汐改正模型潮汐改正模型大气延迟改正模型大气延迟改正模型大气延迟改正模型大气延迟改正模型激光几何定标激光几何定标激光几何定标激光几何定标sincoscossincos84

84、28484UWGSbodyTIDESTROPWGSSSSWGSOOORRdSSSZYXZYX激光测高误差分析激光测高误差分析不同地表对激光回波信噪比的影响星载激光波形预处理星载激光波形预处理地表反射率、地势起伏、地物分布等,会造成激光回波展宽和子波形混叠主要问题-405060Error(cm)SNR(db)激光回波信噪比与测距误差关系激光波形预处理流程0.100.10.20.30.500.511.5025050075001750激光回波信号电压(V)激光发射信号电压(V)激光信号采样时间(ns)发射信号回波信号0.100.10.20.30.40100

85、200300400500回波信号电压(V)激光信号对应时刻(ns)0.100.10.20.30.400500回波信号电压(V)激光信号对应时刻(ns)激光回波信号噪声点估计0.100.10.20.30.400500回波电压信号增强值(V)激光信号对应时刻(ns)激光回波信号波形拟合结果信号饱和补偿、过零负冲电压值转化信号提取波形拟合星载激光波形预处理星载激光波形预处理地表地表SAllAl构建了星载激光几何定标模型构建了星载激光几何定标模型首次提出基于地形约束的激光出射方向定标方法首次提出基于地形约束的激光出射方向定标方法星载激光在轨几何定标星载激光在

86、轨几何定标具有一定具有一定地形特征或坡度地形特征或坡度的区域，地表反射率一致，无植被树木覆盖的区域，地表反射率一致，无植被树木覆盖基于地形/波形定标方法基于地形/波形定标方法基于固定场定标方法基于固定场定标方法要求定标场选择要求定标场选择地势平坦地势平坦的裸地，地表反射率基本一致的裸地，地表反射率基本一致后处理后处理方法，不要求与卫星同步实时性要求高，方法，不要求与卫星同步实时性要求高，与卫星同步与卫星同步处理处理两种方法进行协同定标，减少系统在轨几何定标的成本和周期，提升星载激光测高系统的稳定性。星载激光在轨几何定标星载激光在轨几何定标激光测高作为测距系统，如何消除大气折射效应引起的测距延迟

87、误差？ZL=m(,P)n(z)-1 dz主要问题激光测距大气延迟激光测距大气延迟天顶延迟天顶延迟映射函数映射函数1m()0.00085599sin()0.0021722sin()0.0060788sin()sin()0.115711()sin()tan()mab1()sin()tan()sin()mabc映射函数主要与激光束天顶入射方向天顶入射方向相关大气天顶延迟主要与 地表压强地表压强和 大气可降水量大气可降水量 相关干大气延迟量级约为2.3m；湿大气延迟量级在1050mm611621010HmSurfdWWWRLkgPMRLkPM对流层大气天顶延迟模型干项延迟湿项延迟激光测距大气延迟激光测

88、距大气延迟激光测距大气延迟激光测距大气延迟地表高程地表高程地表大气延迟地表大气延迟通过大气延迟改正模型的关键参数仿真分析，研究兰州地区地表起伏与地表大气延迟的关联关系。激光测距延迟值与地表高程具有强相关性，主要原因是地势引起气象数据变化所导致对于地表起伏复杂的地区，NCEP全球大气模型不准确。采用国内2000个气象站实测气象数据进行误差校正。基于气象站和基于气象站和NCEP的大气延迟改正的大气延迟改正技术方案内蒙古地区修正后误差对比河南省修正后误差对比020406080100120气象站序列-30-20-10010误差/mmNCEP修正误差气象站修正误差020406080100气象站序列-20

89、020406080误差/mmNCEP修正误差气象站修正误差采用国内气象站提供气象数据，综合考虑高度和距离因素加权内插，经过数据交叉检验，可以将大气延迟误差控制在1cm以内。激光测距大气延迟激光测距大气延迟月球和太阳的引力作用而产生潮汐现象，影响激光测高的基准而引起误差主要问题选择高精度潮汐改正模型进行激光测高补偿激光测高潮汐改正激光测高潮汐改正采用FES2014海潮模型和IERS2010固体潮模型对海潮和固体潮进行激光高程误差改正。2322222()()coscoscos2sin2 sin2cos11 3(sin)(sin)33mmmmmmmmmcrWDHHRr342232222331()()

90、()sinsin(35sin)(35sin)31 coscos(1 5sin)(1 5sin)cos25 5cossincossincos2coscoscos36mmmmmmmmmmmmmmcrRWDRcrHHH2322222()()coscoscos2sin2 sin2cos11 3(sin)(sin)33ssssssssscrWDHHRr激光测高潮汐改正激光测高潮汐改正主要误差种类定位精度提升措施主要误差种类定位精度提升措施误差量级修正残差测量环境误差大气散射、大气折射延迟构建大气改正模型测距误差：23m2cm背景噪声太阳辐射影响激光波形滤波算法测距误差：0.3m1cm海洋潮汐、固体潮全球

91、潮汐改正模型高程误差：0.51m1cm地物目标误差 斜率和粗糙度激光波形分解和高斯拟合算法 高程误差：10cm1cm1载荷器件误差数字转换器件时延星上设计+时间同步标定平面误差：5m高程误差：0.1mAPD信号饱和星上设计+饱和补偿模型测距误差：0.31m1cm激光出射指向和测距误差在轨定标和误差补偿模型平面误差：5m高程误差：0.1m轨道测量误差 时钟同步误差+轨道测量误差 星上设计+在轨定标预轨误差：510m精轨误差：0.050.1m姿态测量误差 星敏相机测量姿态误差星上设计+在轨定标平面误差：5m激光测高卫星几何误差来源与定位精度提升措施激光测高误差补偿激光测高误差补偿总结与展望总结与展

92、望激光测高卫星经过几十年的发展，从深空探测到对地观测，目前已经应用于全球测绘、林业调查、极地探测等多个研究领域。近年来激光测高模式也发生了重大突破，线性体制单波束激光雷达到多波束高重频的光子计数激光雷达，激光测绘遥感方向迎来新的发展机遇。激光测高数据处理和分级是专题和高级产品应用的关键，做好激光测高数据处理需要总体单位和应用单位的共同参与。加强激光测高与其他遥感测绘方式交叉融合、优势互补，促进激光测绘遥感在科研、教育和应用中取得更大的成果！谢 谢！谢 谢！第四届全国定量遥感学术论坛基于光合系统水平SIF提高GPP估算精度2019年6月16日南京1.研究背景2.冠层辐射传输分析3.随机森林回归方

93、法4.基于反射率的简化算法5.结论报告提纲1.研究背景日光诱导叶绿素荧光（SIF）是植被光合作用的副产品黄长平、王思恒，20171.研究背景暗反应过程与光反应过程存在耦合关系，叶绿素荧光不仅仅与APAR有关，也与光合状态有关！Magney,T.S.,Bowling,D.R.,Logan,B.A.,Grossmann,K.,Stutz,J.,Blanken,P.D.,.&Lopez,S.(2019).Mechanistic evidence for tracking the seasonality of photosynthesis with solar-induced fluorescence

94、.Proceedings of the National Academy of Sciences,201900278.Sun,Frankenberg et al.,Science 2017SIF是GPP的理想探针?Sun et al.,Science 20171.研究背景存在的问题：不同植被类型SIF-GPP关系存在差异（光能利用率？SIF逃出效率？）哪个波段SIF更具GPP估算潜力?1.研究背景光系统尺度叶片尺度冠层尺度全球/区域尺度吸收吸收吸收吸收/散射混合像元散射混合像元遥感探测光合作用如何将可测量的冠层方向性SIF转换为需要的光合系统总SIF？Berry et al.2014?1.研究

95、背景Romero et al.2018Yang et al.2018叶片组分吸收光谱再吸收效应散射效应2.冠层辐射传输分析荧光光子在冠层内部的辐射传输过程与冠层截获的太阳光子相似区别:光子的来源T0:直接穿过冠层的光子;I:被冠层截获的光子;A:冠层吸收的光子;E:逃出冠层的光子.光谱不变理论(ptheory)(Stenberg et al.,2016)黑背景假设黑背景假设:光子再碰撞概率；?:叶片单词散射反照率；?:冠层截获率?,?BRF,?BRF,?1?,?1?,?,BRF,?3.随机森林回归方法00.050.10.150.20.250.30.350.4R758MTCIR685R710ND

96、VISRRelativeimportanceFarredRed?,?BRF,?BRF,SCOPE 模拟数据模拟数据=f(R685,R710,R758,MTCI,SR,NDVI)?,?BRF,?,?BRF,随机森林回归随机森林回归fCP参数重要性分析参数重要性分析3.随机森林回归方法SCOPE 模拟数据验证模拟数据验证2/3 样本训练，样本训练，1/3 样本验证样本验证1维辐射传输模型维辐射传输模型3.随机森林回归方法DART 模拟数据验证模拟数据验证3维光子追踪模型无法模拟光合系统水平荧光维光子追踪模型无法模拟光合系统水平荧光SCOPE 模拟数据训练DART 模拟数据验证3.随机森林回归方法(

97、a)(c)(b)SiteDateSpeciesCab(g/cm2)LIDFFcXiao Tangshan(XTS)Apr.8,9&18,Nov.7,Dec.8,2016Winter wheat21.22 55.29Spherical0.15 0.79NanbinFarm(NBF)Dec.18,2016Vegetables and cotton15.22 56.68Planophile0.28 0.91SanyaStation(SYS)Dec.18,2016Gold coin grass40.83Planophile0.67在冠层水平，APARchl和SIF关系斜率随物种变化，红波段尤为明显冠层

98、到光系统水平荧光降尺度有效减小了SIF-APARchl关系的物种差异性多物种观测实验多物种观测实验冠层光系统冠层光系统3.随机森林回归方法多角度观测实验多角度观测实验 在冠层尺度，SIF表现出明显的方向性特征 经过冠层-光合系统水平SIF降尺度，SIF方向性特征显著减弱，同一APAR水平下，不同观测方向SIF变异系数显著减小。3.随机森林回归方法14:58 on June 30,20153.随机森林回归方法LeafSurface reflectScatterScatterAbsorbLeafScatterScatterAbsorb(a)Intercepted solar photons(b)E

99、mittedSIF photons 非“黑背景”4.基于反射率的简化算法?y=0.138x+0.023R=0.00500.010.020.030.040.050.060.0700.01 0.02 0.03 0.04 0.05 0.06 0.07RedRed_veg(a)y=0.275x+0.013R=0.07600.010.020.030.0400.010.020.030.04RedNDVIRed_veg(b)y=0.472x+0.007R=0.53300.010.020.0300.010.020.03RedNDVI2Red_veg(c)y=0.884x+0.059R=0.98700.10.2

100、0.30.40.50.600.10.20.30.40.50.6NIRNIR_veg(d)y=0.936x+0.003R=0.99500.10.20.30.40.50.600.10.20.30.40.50.6NIRNDVINIR_veg(e)00.020.040.060.080.10.120.750800SoilReflectanceWavelength(nm)(f)?4.基于反射率的简化算法,Badgley,et al.20174.基于反射率的简化算法4.基于反射率的简化算法y=1.194x+0.089R=0.900400408080120160SI

101、FPS(mW/m2/nm)SIFCorr(mW/m2/nm)(b)RedBandy=0.814x 0.072R=0.9855051520SIFPS(mW/m2/nm)SIFCorr(mW/m2/nm)(a)NIRBandSIF?SIF FAPARBRF NIR,NDVISIF?SIF FAPARBRF Red,NDVI?两种光合系统水平SIF估算方法结果比较4.基于反射率的简化算法SIF-APAR关系（大满站2017年数据）4.基于反射率的简化算法SIF-GPP关系（大满站2017年数据）4.基于反射率的简化算法HL-2017HL-2018DM-2017DM-2018NI

102、RRedNIRRedNIRRedNIRRedSIFCanopy0.7290.6470.8000.2570.6750.5110.7130.294SIFPS0.8440.8010.8660.4820.7070.7620.7470.441SIFCorr0.8320.7460.9190.5020.7190.7810.7560.466HL-2017HL-2018DM-2017DM-2018NIRRedNIRRedNIRRedNIRRedSIFCanopy0.5850.5990.8030.3940.6670.4130.6190.213SIFPS0.4350.5750.7350.6440.6330.6100

103、.5970.330SIFCorr0.3900.7590.7690.6960.6300.7370.5890.398SIF?SIF FAPARBRF NIR,NDVISIF与APAR关系决定系数（R2）SIF与GPP关系决定系数（R2）5.结论 光合系统水平总荧光的反演对于GPP估算具有重要意义；植被二向反射率因子（BRF）是表征SIF冠层逃出效率的重要参数；通过冠层-光合系统水平荧光降尺度，可以有效改进SIF-GPP模型，可以显著提升红光波段SIF的GPP估算潜力，红光SIF的应用价值值得重视。Liu,X.,Guanter,L.,Liu,L.,et al.Downscaling of solar

104、-induced chlorophyll fluorescence from canopy level to photosystem level using a random forest model.Remote Sensing of Environment.DOI:10.1016/j.rse.2018.05.035.2018Liu,X.,Liu,L.,Hu,J.,et al.Improving the potential of red SIF for estimating GPP by downscaling from the canopy level to the photosystem

105、 level.(Under review)目录背景意义喀斯特区特殊性材料与方法研究结果结论背景意义众所周知，叶绿素是植物进行光合作用最重要的生化物质之一，是植被长势、光合能力以及植被遭遇环境胁迫的重要指示器。高光谱遥感手段因其快速、高效、便捷的特点成为了备受推崇的快速、无损估测植物叶绿素含量的重要手段之一。完全适用于所有区域的叶绿素植被指数并没有达成共识，或者说基本不存在。我国喀斯特区面积广阔，喀斯特环境的特殊性往往使得适用于其他区域的许多方式方法在喀斯特区不一定适用。喀斯特区特殊性（Karst&Non-karst）0.01.02.03.04.05.06.0朴树黄荆盐肤木红背山麻杆叶绿素含量（

106、叶绿素含量（mg/g)NonkarstKarstababaaabababab0.000.100.200.300.400.500.600.700.80朴树黄荆盐肤木红背山麻杆水分含量（水分含量（%)NonkarstKarst土壤土壤PHP含量含量g/kgN含量含量g/kgK含量含量g/kgCa含量含量g/kg有机碳含量（有机碳含量（%）Nonkarst5.540.470.859.6655.191.34Karst6.760.852.027.5759.712.25喀斯特区特殊性（Karst&Non-karst）光谱三边参数光谱三边参数KarstNonkarst蓝边位置蓝边位置522.03521.07

107、黄边位置黄边位置629.11628.10红边位置红边位置709.19707.27蓝边面积蓝边面积0.060.06黄边面积黄边面积0.060.06红边面积红边面积0.490.41傅松玲等（2002）研究发现，喀斯特区域榆科树种叶片的水势值偏低，体内Ca、Mg、Cu、Zn等元素含量较高，叶肉栅栏组织与海绵组织分化明显，气孔密度较小，具角质层。李颖（2006）的研究表明喀斯特区南天竹叶片中叶绿素、类胡萝卜素、叶片的N、可溶性糖和蛋白质含量均显著高于紫色土区和黄壤区。喀斯特区特殊性（Karst&Non-karst）关键科学问题喀斯特区如此特殊，现有的叶绿素光谱指数在喀斯特去是否适用？光谱指数模型是叶绿

108、素含量遥感反演的常用手段，为探求植被叶绿素浓度，国内外学者构建和发展了许多植被指数。然而，光谱指数的区域性很强，很难找到一种可以适用于所有区域的光谱指数。能否针对喀斯特区提出适宜喀斯特区的特有叶绿素植被指数？充分总结已有的光谱指数，概括出光谱指数的主要表达形式，借用计算机强大高校的运算能力，搜寻4002500nm的所有可能的常用形式光谱指数，选找出喀斯特区的最适叶绿素光谱指数。材料获取树种选择选取我国南方喀斯特区5个常见优势树种为研究对象：龙须藤、黄荆、红背山麻杆、盐肤木、朴树样地选择桂林大埠喀斯特山地，南坡，下坡位，样区200m2左右。对照：相距15公里左右，桂林植物园境内，降雨光照等气候条

109、件相近。光谱采集每个树种选取68株，每株不同方位选择3片成熟健康叶片，用ASD地物光谱仪器，配合叶片夹测量叶片光谱。光 谱 波 段 范 围3502500nm叶绿素提取与光谱测量保持同步，将测量光谱的叶片采集回实验室中，用化学方法检测其叶绿素含量。参照李合生法：丙酮乙醇1:1浸提，然后用紫外分光光度计测量。研究方法指数指数indices表达式归一化植被指数表达式归一化植被指数NDVI(R800-R680)/(R800+R680)绿色归一化植被指数绿色归一化植被指数GreenNDVI(R750-R550)/(R750+R550)改良红边归一化植被指数改良红边归一化植被指数mND705(R750-R

110、705)/(R750+R7052*R445)色素简单比值指数色素简单比值指数PSNDaR800/R680PSNDbR800/R635PSNDcR800/R470结构不敏感色素指数结构不敏感色素指数SIPI(R800-R445)/(R800-R680)类胡萝卜素反射指数类胡萝卜素反射指数mCRIR780/(1/R510)-(1/R550)生理反射指数生理反射指数PRI(R531-R570)/(R531+R570)荧光比值指数荧光比值指数FRI1R600/R690FRI2R740/R800叶绿素吸收比率指数叶绿素吸收比率指数TCARI3*(R700-R670)-0.2*(R700-R550)(R7

111、00/R670)三角形植被指数三角形植被指数TVI0.5*120*(R750-R550)-200*(R670-R550)叶绿素吸收面积指叶绿素吸收面积指CAAI（40*(R700-R670)-30*(R670-R630)/(70*(R700+R630)综合型叶绿素光谱指数综合型叶绿素光谱指数MCARI/OSAVI(R700-R670)-0.2*(R700-R550)(R700/R670)(R700/R670)/(1.6*(R800-R670)/(R800+R670+0.16)文献中帅选出的常用指数15研究方法差值植被指数差值植被指数比值植被指数比值植被指数归一化植被指数归一化植被指数 1212

112、12ND=RR/RR（，）1212D=RR（，）1212SR=R /R（，）倒数差值植被指数倒数差值植被指数121211ID=RR（，）指数的主要表达形式研究方法指数精度评价标准22121R1niiiniiiyyyy 211RMSE=nniiiyy研究结果相关性分析结果常用指数分析结果发展新指数结果相关分析结果叶绿素与光谱之间存在较强的相关性，其中，原始光谱与叶片叶绿素的相关系数（R）最大值可达0.53，出现在1661 nm波段处。通过一阶导数变换后，导数光谱与叶片叶绿素含量的相关性在部分波段得到明显增强，相关系数绝对值大于0.53的波段达到270个，绝对值最大值为0.78，对应波段为2384

113、 nm。叶绿素含量与原始反射光谱及一阶导数光谱各波段相关系数图常用光谱指数分析结果指数指数indicesR2RMSEP归一化植被指数归一化植被指数NDVI0.000.350.99绿色归一化植被指数绿色归一化植被指数GreenNDVI0.320.290.00改良红边归一化植被指数改良红边归一化植被指数mND7050.450.260.00色素简单比值指数色素简单比值指数PSNDa0.000.350.99PSNDb0.260.300.00PSNDc0.000.350.81结构不敏感色素指数结构不敏感色素指数SIPI0.000.350.86类胡萝卜素反射指数类胡萝卜素反射指数mCRI0.110.330

114、.07生理反射指数生理反射指数PRI0.180.320.02荧光比值指数荧光比值指数FRI10.240.310.01FRI20.240.310.01叶绿素吸收比率指数叶绿素吸收比率指数TCARI0.160.320.02三角形植被指数三角形植被指数TVI0.060.340.19叶绿素吸收面积指数叶绿素吸收面积指数CAAI0.430.260.00综合型叶绿素光谱指数综合型叶绿素光谱指数MCARI/OSAVI0.290.300.00基于原始光谱的最优指数虽然不同类型的光谱指数的波段组合方式不一样，但在500800nm处、15001700nm以及1900nm2100nm处与其他波段的组合的相关性较为显

115、著，这也说明这些范围的波段对植被叶绿素相对较为敏感。最优指数指标指标12R2PRMSE差值指数差值指数164216660.630.000.21比值指数比值指数164216650.620.000.22归一化指数归一化指数164216650.620.000.27倒数差值指数倒数差值指数163916660.610.000.40基于原始光谱的不同类型植被指数相关性系数分布图基于原始光谱的最优指数光谱一阶导数变换后，相关系数高值区域更加集中，500800nm波段然仍是光谱指数的敏感区域。通过一阶导数变换后，反演能力有了较明显提升，差值植被指数dD（760，769）取得的效果最好。最优指数指标指标12R2

116、PRMSE差值指数差值指数7607690.710.000.19比值指数比值指数165317810.670.000.49归一化指数归一化指数94216550.630.000.44倒数差值指数倒数差值指数64223170.630.000.44基于一阶导数光谱的不同波段组合相关性系数分布图结论常用指数表现常用光谱指数在喀斯特区具有一定的反演能力，但反演效果一般。其中表现较好的有改良红边归一化植被指数（mND705）和叶绿素吸收面积指数，其R2分别达到0.45和0.43，均方根误差均为0.26。发展新指数基于原始光谱中，发现各类型植被指数大致在1642nm和1665nm附近的波段组合效果较好，其中差值

117、植被指数D（1642,1666），R2为0.63，RMSE为0.21取得较好效果。一阶导数变换后，差值植被指数dD（760，769）取得的效果最好，R2高达0.71，RMSE仅为0.19，且通过0.05显著性检验。与常用指数相比，精度有较大提高。敏感波段及光谱变换叶绿素的敏感波段较多，500800nm波段是叶绿素的一个主要的敏感区。光谱一阶导数变换能有效的去除光谱的许多干扰信息，大幅提高喀斯特区植被叶片叶绿素含量的反演能力。哇谢谢聆听广西壮族自治区中国科学院广西植物研究所广西壮族自治区中国科学院广西植物研究所“全球变化及应对”重点专项项目汇报基于国产卫星数据的全球变化关键数据研制中国科学院空天

118、信息研究院（遥感与数字地球研究所）遥感科学国家重点实验室2019年6月16日南京大学第四届定量遥感学术论坛总结与展望项目背景与思路关键技术与研究进展研究目标、内容与技术路线卫星遥感是获取全球变化时空连续观测数据的重要手段卫星遥感是获取全球变化时空连续观测数据的重要手段全球气候观测系统全球气候观测系统GCOS定义了定义了142 种种大气、海洋和地表关键参数，其中大气、海洋和地表关键参数，其中81种种都可以通过遥感数据获得；都可以通过遥感数据获得；IPCC使用的卫星数据使用的卫星数据从从1996的的10种增加到种增加到IPCC-AR5的的50种种0070大气海洋地表总个数遥感

119、可获取关键参数个数 全球变化研究使用植被遥感产品的文章全球变化研究使用植被遥感产品的文章增加到增加到2017年的年的165篇篇Science、Nature、Global Change Biology期刊发文期刊发文4我国已成为世界第二遥感观测大国我国已成为世界第二遥感观测大国我国气象、海洋、资源、环境减灾、测绘等卫星图体系不断完善，高分辨率对地观测重大专项近500亿、2020年前发射30多颗民用卫星我国气象、海洋、资源、环境减灾、测绘等卫星图体系不断完善，高分辨率对地观测重大专项近500亿、2020年前发射30多颗民用卫星气象卫星三强鼎立：美国1960以来发射43颗，在轨8颗；欧盟1974年来

120、共发射16颗，在轨7颗；中国1988年来发射14颗，在轨7颗气象卫星三强鼎立：美国1960以来发射43颗，在轨8颗；欧盟1974年来共发射16颗，在轨7颗；中国1988年来发射14颗，在轨7颗民用空间基础设施规划2030年达到近60颗民用卫星在轨，投资近千亿元民用空间基础设施规划2030年达到近60颗民用卫星在轨，投资近千亿元工作基础：多源协同定量遥感产品生成系统系统（MuSyQ）“十二五”“十二五”863重大项目支持研发重大项目支持研发MuSyQ系统，从系统，从2014年开始运行了年开始运行了4年年（1）形成了）形成了12类类24个国内外传感器个国内外传感器数据的云检测、几何校正、辐射校正及

121、大气校正能力（数据的云检测、几何校正、辐射校正及大气校正能力（2）具有成植被、辐射收支、冰雪以及水热通量）具有成植被、辐射收支、冰雪以及水热通量4大类大类4种尺度种尺度26种种全球及全国产品生产能力（全球及全国产品生产能力（3）连续连续3年支撑年支撑科技部全球生态环境遥感监测年报科技部全球生态环境遥感监测年报已生成的产品已生成的产品 2013年中国年中国东盟遥感产品东盟遥感产品 20102015年全球年全球MODIS、FY3/MERSI、VIRR数据处理数据处理 20102015共共6年年15种全球产品种全球产品效率高：全球效率高：全球1km和全国和全国30m全年，从数据到产品都不超过全年，从

122、数据到产品都不超过1周！周！数据量（数据量（1650万条万条/1PB）原始遥感数据原始遥感数据300万条万条/600T归一化数据归一化数据900万条万条/300T定量遥感产品定量遥感产品450万条万条/150T年报生产年报生产27个数据集个数据集发表在全球变化数据学报上，被下载总计发表在全球变化数据学报上，被下载总计2.8万次万次，3个数据集排名前个数据集排名前10，排名第，排名第3、5、6名名中低分辨率中高分辨率中低分辨率中高分辨率传感器时间分辨率空间分辨率传感器时间分辨率空间分辨率传感器时间分辨率空间分辨率传感器时间分辨率空间分辨率国外主流国外主流MODIS、AVHRR、VIIRS等等MO

123、DIS为每天为每天4次；次；AVHRR为每天为每天2次次IIRS为每天为每天2天天250m、400m、1000m和和1100m国外主流国外主流Landsat16天天30m和和15m国内主流国内主流FY3A/B/C每天每天2次次250m和和1000m国内主流国内主流HJ1A/B、GF1、GF6HJ四个四个CCD可达可达2天重访；天重访；GF1和和GF1都可达都可达2天天30m、16m、8m、2m均有均有 环境1号2008年发射，加上高分卫星，具备全国30米2天重访观测能力，频次优于国际水平天;我国发布了 全球30米土地覆盖产品两期（GlobeLand30）：Landsat/TM风云3号2008年

124、发射为标志，具备全球1公里的高性能观测数据，与国际MODIS相当；MODIS产品44种，持续17年；FY3近不到10种，产品没有持续发布；我国发布了时间序列最长的GLASS产品：以美国的AVHRR和MODIS数据；FY3应用SCI论文数量仅为MODIS的1.5%；问题：国产卫星缺少连续的产品生成技术体系，对全球变化贡献不足！问题：国产卫星数据几何辐射精度低，导致国产卫星数据预处理难国产卫星数据几何辐射精度低，导致国产卫星数据预处理难-“不好用”“不好用”不同传感器辐射差异大，有明显拼接线不同传感器辐射差异大，有明显拼接线月度月度HJ-1/CCD全国拼图全国拼图1）卫星定姿精度低，几何畸变大）卫

125、星定姿精度低，几何畸变大2）缺少星上定标系统缺少星上定标系统，辐射定标频次低，辐射定标频次低3）缺少关键通道缺少关键通道，造成传统云检测和大气校正算法不适用，造成传统云检测和大气校正算法不适用宽幅盖大倾角，图像几何畸变大宽幅盖大倾角，图像几何畸变大图像畸变方向矢量图图像畸变方向矢量图问题：缺少国产卫星全球变化关键参数高精度反演模型，国产卫星数据缺少国产卫星全球变化关键参数高精度反演模型，国产卫星数据“用不好“用不好”（1）不能简单套用国外卫星算法不同叶面积指数差异显著，可能得相反的变化趋势！不同叶面积指数差异显著，可能得相反的变化趋势！天空散射复合坡面二向反射波段设置差异（2）地表的非均质性带

126、来观测）地表的非均质性带来观测角度差异，需要高精度方向性反射角度差异，需要高精度方向性反射/辐射模型和反演方法：辐射模型和反演方法：可见光可见光/近红外二向性发射率建模（近红外二向性发射率建模（BRDF）：）：不同方向反射率差异达到不同方向反射率差异达到30-50；中红外中红外/热红外方向辐射亮度温度（热红外方向辐射亮度温度（DBT）：）：不同方向亮度温度差能达到不同方向亮度温度差能达到3-5度。度。“全球变化及应对”专项第一个专门针对国产卫星的全球变化遥感产品生成的项目，2018年7月启动从提升国产卫星数据质量入手，解决国产卫星几何辐射一致性问题，使国产数据“好用”针对卫星数据的云检测、大气

127、校正等基础数据处理技术体系研制基础数据处理技术体系研制大气参数、关键地表等全球变化关键参数反演方法研究针对国产卫星数据的全球变化关键参数产品生成软件系统研发、产品生成和验证研发国产卫星数据处理与全球变化产品生成系统，形成”能力“；生成长时间序列高精度产品，挖掘国产卫星数据“潜力”以发展适用于国产卫星数据的大气和地表关键参数反演模型和方法为核心，使国产卫星数据可“用好”总结与展望项目背景与思路关键技术与研究进展研究目标、内容与技术路线11 攻克国产卫星几何辐射处理、云检测和大气校正等关键技术，建立国产卫星攻克国产卫星几何辐射处理、云检测和大气校正等关键技术，建立国产卫星基础数据处理技术方法体系基

128、础数据处理技术方法体系 发展国产卫星大气和地表全球变化关键参数发展国产卫星大气和地表全球变化关键参数高精度反演模型系列高精度反演模型系列 研建国产卫星研建国产卫星全球变化关键参数产品生成与验证平台；生成长时间序列的全球变化遥感产品全球变化关键参数产品生成与验证平台；生成长时间序列的全球变化遥感产品数据集为全球变化与应对研究提供技术和数据产品支撑。数据集为全球变化与应对研究提供技术和数据产品支撑。项目目标项目目标研究内容1.国产卫星遥感数据处理技术与体系12几何一致性差几何一致性差辐射一致性差辐射一致性差大气影响严重大气影响严重时空缝隙过大时空缝隙过大云检测质量评价云检测质量评价几何归一化几何归

129、一化大气校正大气校正时空融合时空融合辐射归一化辐射归一化处理框架处理框架时空无缝高质量产品时空无缝高质量产品问题目标问题目标多特征联合云检测多特征联合云检测多气溶胶模式全地表大气校正多气溶胶模式全地表大气校正多约束时空一体化融合多约束时空一体化融合基于基于BRDF库交叉辐射定标库交叉辐射定标大规模区域网平差归一化大规模区域网平差归一化关键技术关键技术将时空融合方法加入标准化和流程化的产品生产体系，实现高时空分辨率的无缝产品生产将时空融合方法加入标准化和流程化的产品生产体系，实现高时空分辨率的无缝产品生产将时空融合方法加入标准化和流程化的产品生产体系，实现高时空分辨率的无缝产品生产将时空融合方法

130、加入标准化和流程化的产品生产体系，实现高时空分辨率的无缝产品生产时空分辨率低时空分辨率低时空分辨率高时空分辨率高时空融合时空融合13结合国产卫星数据资源和全球变化研究需求：以2009-2020年风云卫星为全球1公里产品数据源 以2009-2020年环境、高分卫星为全国30米产品数据源CBERS-01/02HJ-1A/BFY2EFY3A0200142016CBERS-02BFY2CFY-4FY-2GFY-3CFY-2FFY-3BCBERS04研究内容2.国产卫星全球变化关键参数反演模型和时空扩展方法14研究内容3.国产卫星全球变化参数产品生产系统研发算

131、法更新与集成算法更新与集成算法更新与集成算法更新与集成生产效率更高生产效率更高运行环境更稳定运行环境更稳定产品服务更好产品服务更好生产效率更高生产效率更高运行环境更稳定运行环境更稳定产品服务更好产品服务更好超过超过4PB的数据的数据超过超过4PB的数据的数据在“十二五”重大项目成果“多源协同定量遥感产品生产系统（在“十二五”重大项目成果“多源协同定量遥感产品生产系统（MuSyQ）系统基础上，集成研发系统，提升功能和性能；）系统基础上，集成研发系统，提升功能和性能；在“十二五”重大项目成果“多源协同定量遥感产品生产系统（在“十二五”重大项目成果“多源协同定量遥感产品生产系统（MuSyQ）系统基础

132、上，集成研发系统，提升功能和性能；）系统基础上，集成研发系统，提升功能和性能；MuSyQ系统已经试运行了系统已经试运行了4年年MuSyQ系统已经试运行了系统已经试运行了4年年从超算平台升级到云平台从超算平台升级到云平台从超算平台升级到云平台从超算平台升级到云平台研究内容4.全流程遥感产品真实性检验技术真实性检验的核心是真实性检验的核心是“参考相对真值”的获取“参考相对真值”的获取(Peng et al.,2015）。）。项目组发展了集地面优化采样项目组发展了集地面优化采样尺度转换尺度转换验证系统一体的关键技术和体系验证系统一体的关键技术和体系（Wu et al.,RSE,2016;Lin et

133、al,RS,2018;Lin et al,IDJE,2017），可满足全球长时间序列产品），可满足全球长时间序列产品直接验证和交叉比对直接验证和交叉比对的需求。的需求。24（已有基础）（已有基础）+2（地表粗糙度和大气水汽含量（地表粗糙度和大气水汽含量）1、制定和执行定量遥感产品真实性性检验标准规范、制定和执行定量遥感产品真实性性检验标准规范2008-2014，黑河观测数据，黑河观测数据覆盖项目所有参数覆盖项目所有参数。2018-2020，依托全国遥感真实性检验场，重点实验室牵头组织开展综合试验，依托全国遥感真实性检验场，重点实验室牵头组织开展综合试验。2、全国产品验证、全国产品验证台站网观测

134、数据验证：台站网观测数据验证：FluxnetBSRN.）产品交叉比对：产品交叉比对：联合联合NOAA、马里兰大学、澳大利亚悉尼科技大学等。、马里兰大学、澳大利亚悉尼科技大学等。3、全球产品产品验证、全球产品产品验证国产卫星全球变化参数产品生产系统研发与应用示范遥感地球所、资源卫星、中南大学课题四国产卫星全球变化地表关键参数反演模型与提取技术遥感地球所、武汉大学课题三国产卫星全球变化大气关键参数反演模型与时空扩展方法国家卫星气象中心、遥感所课题二国产卫星遥感数据处理技术与体系武汉大学、卫星气象、资源卫星中心课题一 发展：时空一体化高精度几何校正技术；高精度辐射归一化技术；突破：云检测与大气校正技

135、术；国产卫星数据时空一体化无缝生成技术 建立：国产卫星基础数据处理与质量提升技术体系 发展：大气关键参数高精度反演方法；突破：复杂大气与地表条件下辐射参量估算模型 形成：水汽、气溶胶、辐射等6种大气参量国产卫星高精度反演模型 发展：高时空分辨率地表植被参量等反演方法；突破：高时空分辨率土地覆盖自动分类技术、地表温度和地表长波辐射角度归一化模型等 形成：地表覆盖、地表温度、叶面积指数等9种地表参量反演模型 发展：软件系统构建，快速处理与产品生产技术 集成研发：国产卫星数据处理和产品生成系统，具备12颗国产卫星数据处理能力 生成：12年时间序列全球 1km 和全国 30m产品总结与展望项目背景与思

136、路关键技术与研究进展研究目标、内容与技术路线18前期准备前期准备国产卫星数据国产卫星数据遥感产品遥感产品先验知识库先验知识库模型库模型库1 国产卫星数据处理技术与方法1 国产卫星数据处理技术与方法云检测时空一体化高精度几何校正多源数据高精度辐射归一化大气校正时空一体化无缝生成技术2 全球变化参数反演模型与方法2 全球变化参数反演模型与方法复杂天气条件下大气下行辐射估算多源融合高精度大气参数反演方法多源卫星土地覆盖自动分类技术3 产品生产系统3 产品生产系统海量数据快速汇聚海量数据快速汇聚系统无关的软件系统构建系统无关的软件系统构建海量数据处理与产品快速生产技术海量数据处理与产品快速生产技术 国

137、产卫星全球变化关键参数产品 国产卫星全球变化关键参数产品全球变化应用分析全球变化应用分析全球地表覆盖时空变化特征分析全球地表覆盖时空变化特征分析全球陆地生态系统时空分布特征及全球变化响应全球陆地生态系统时空分布特征及全球变化响应国产数据处理与全球变化关键参数产品生成技术体系与规范国产数据处理与全球变化关键参数产品生成技术体系与规范全球辐射强迫变化研究全球辐射强迫变化研究16种全球产品提高时间分辨率16种全球产品提高时间分辨率首次生产7种30m全国产品首次生产7种30m全国产品真实性检验真实性检验综合试验验证综合试验验证支撑反馈修改集成生产支撑支撑反馈修改集成生产支撑支撑支撑观测资料验证观测资料

138、验证产品交叉验证产品交叉验证产品验证产品验证角度归一化的温度与上行长波辐射高时空分辨率地表参量反演结果验证结果验证19关键技术1.1：多源国产卫星数据云检测和大气校正技术问题：问题：缺乏云和气溶胶信息的关键通道传统方法不适用中国受雾霾影响对全球气溶胶模型差异很大缺乏云和气溶胶信息的关键通道传统方法不适用中国受雾霾影响对全球气溶胶模型差异很大问题：问题：缺乏云和气溶胶信息的关键通道传统方法不适用中国受雾霾影响对全球气溶胶模型差异很大缺乏云和气溶胶信息的关键通道传统方法不适用中国受雾霾影响对全球气溶胶模型差异很大利用地面观测站数据和遥感产品，发展不同区域典型气溶胶模型利用地面

139、观测站数据和遥感产品，发展不同区域典型气溶胶模型利用时间序列数据合成全国月度利用时间序列数据合成全国月度30m底图，实现快速、高精度云检测与大气校正底图，实现快速、高精度云检测与大气校正时间滞后时间滞后：极轨卫星重访周期长：极轨卫星重访周期长空间断续空间断续：云覆盖、条带：云覆盖、条带1天天16天天时间滞后空间断续时间滞后空间断续问题：时空不连续问题：时空不连续多条件约束多条件约束时空重建时空重建时空时空一体化一体化融合融合解决途径：多源卫星时空一体化无缝处理框架解决途径：多源卫星时空一体化无缝处理框架 一致性更好一致性更好 结构性更佳结构性更佳Zeng et al.RSE,2013Shen

140、et al.RSE,2016时空无缝时空无缝关键技术1.2：时空一体化无缝生成技术20关键技术2：云及地形对辐射再分配的影响高纬地区和有云状况下辐射精度较低，最大误差：35%问题解决思路技术方法 考虑云阴影位移及畸变：提高云天辐射精度卫星观测与实测短波辐射强迫误差卫星观测与实测短波辐射强迫误差(IPCC,AR4)考虑地形对辐射影响：提高晴空起伏地形辐射精度起伏地形辐射校正算法起伏地形辐射校正算法地表云阴影校正模型地表云阴影校正模型全球全球1km大气下行辐射产品大气下行辐射产品联合静止和极轨卫星联合静止和极轨卫星提高时空分辨率提高时空分辨率发展晴阴天辐射估算模型发展晴阴天辐射估算模型提高精度提高

141、精度地表短波辐射月均值W/m2RMSEBIAS全球海洋陆地全球海洋陆地短波辐射遥感产品不确定性关键技术3.1：高时空分辨率土地覆盖自动化生成技术月度分类自动化程度高精度优/种类细多年一期自动化程度低精度低/种类粗基于样本迁移的深度学习技术技术途径技术途径2008HJ-1B多光谱多光谱2013GF-1高时空高时空2014GF-2亚米级亚米级GF-3SAR2016GF-5高光谱高光谱2018GF-6多光谱多光谱2018外国卫星数据源单一国产卫星多源数据数据源数据源现有产品问题现有产品问题本项目产品本项目产品Gong,2013,一年一期。Chen,2015,十年一期,只分为9类。SVM方法POK方法

142、黑河流域精度80%,分为13类。精度精度关键技术3.2：角度归一化的地表温度与上行长波辐射高精度估算模型问题：热红外辐射方向性会造成地表温度和地表上行长波辐射反演误差最大可达10K和40W/m2。高频次高频次静止卫星静止卫星FY2高时空分辨率高时空分辨率多角度多角度热红外数据集热红外数据集非均质地表热辐射非均质地表热辐射方向性方向性核驱动模型核驱动模型耦合温度与发射率的耦合温度与发射率的一体化一体化估算算法估算算法考虑方向性的地表上行辐射产品考虑方向性的地表上行辐射产品角度归一化的地表温度产品角度归一化的地表温度产品高分辨率高分辨率极轨卫星极轨卫星FY3重点突破重点突破目标效果：提高地表上行长

143、波辐射精度估算精度5-10W/m2?,?,?1?,?,?sincosHu Tian,Liu Qinhuo et al,2016,TGRS 解决方案：关键技术4：PB级国产卫星数据快速处理与产品生产技术2416种全球种全球1km产品产品16种全球种全球1km产品产品7种全国种全国30m产品产品7种全国种全国30m产品产品12年时间跨度年时间跨度12年时间跨度年时间跨度海量数据处理与产品生产能力海量数据处理与产品生产能力海量数据处理与产品生产能力海量数据处理与产品生产能力8颗卫星颗卫星10余个传感器余个传感器8颗卫星颗卫星10余个传感器余个传感器数据量数据量4PB大规模遥感多层次并行计算与资源协同

144、调度技术大规模遥感多层次并行计算与资源协同调度技术大规模遥感多层次并行计算与资源协同调度技术大规模遥感多层次并行计算与资源协同调度技术多层次并行计算多层次并行计算：任务并行、工作流并行、数据并行、进程并行，任务并行、工作流并行、数据并行、进程并行，高可扩展、高并行效率高可扩展、高并行效率大规模分布式内存数据流计算：大规模分布式内存数据流计算：TB级数据的分钟级内存载入与传输级数据的分钟级内存载入与传输多目标云资源优化调度：多目标云资源优化调度：大规模资源的负载均衡，高可靠大规模资源的负载均衡，高可靠技术难点：技术难点：PB级数据的快速在线处理级数据的快速在线处理大规模任务并发处理大规模任务并发

145、处理云检测技术25高分辨率影像云检测验证数据集存在问题：云检测算法在国产卫星数据上适用性不高研究进展：云检测数据类型拓展：支持数据从5种到10种以上建立深度学习云检测训练数据集：初步建立了覆盖全球、5类不同地表共150景的高分辨率厚云训练数据集国产卫星数据辐射归一化进展26 基于深对流云（基于深对流云（DCC）目标的静止卫星可见光通道辐射性能评估，利用）目标的静止卫星可见光通道辐射性能评估，利用高反射率的定标场高反射率的定标场评估传感的辐射性能。评估传感的辐射性能。（）FY2E可见光通道与可见光通道与MODIS的的TOA反射率比较（反射率比较（2010-2012年）年）处理了多个处理了多个中反

146、射率定标场中反射率定标场的的MODIS(2000-2017)地表反射率和角度数据，并地表反射率和角度数据，并构建构建BRDF库库。基于基于Terra（）和）和Aqua（）MODIS数据的定标场地表反射率描述敦煌数据的定标场地表反射率描述敦煌/塔克拉玛干沙漠塔克拉玛干沙漠/巴丹吉林沙漠巴丹吉林沙漠 调研了调研了163篇篇(1981-2018)传感器非线性响应定标研究的案例与进展，得出结论：传感器非线性响应定标研究的案例与进展，得出结论：基于多反射率类型定标场的传感器全灰阶定标很有必要基于多反射率类型定标场的传感器全灰阶定标很有必要。FY2E可见光波段的可见光波段的TOA反射率远低于反射率远低于M

147、ODIS；FY2E在在2010-2012年的辐射性能有明显衰减；年的辐射性能有明显衰减；FY2E辐射性能有规律性的波动。辐射性能有规律性的波动。问题：国产多源遥感卫星数据辐射特性不明定标频次更高：有望10天/次定标频次更高：有望10天/次参与辐射归一化的数据更多参与辐射归一化的数据更多定标效率更高定标效率更高定标精度更高：全灰阶定标精度更高：全灰阶预期效果：预期效果：问题：针对遥感产品时空缝隙大的问题构建了一种顾及非局部相关性的多源遥感时空融合模型(STNLFFM)，有效提升细节精度和合理性，并降低了计算复杂度。时空一体化无缝数据生成技术研究进展STNLFFM算法流程图时空融合结果比较真实La

148、ndsat数据STNLFFM融合结果Q.Cheng,et.al,“A Spatial and Temporal Nonlocal Filter-Based Data Fusion Method,”IEEE Trans.Geosci.Remote Sens.,vol.55,pp.44764488,2017.(2)国产卫星全球变化大气关键参数反演模型与时空扩展方法28大气气溶胶、大气水汽含量以及云参数的反演模型研究 针对国产卫星的大气水汽、气溶胶和云参数反演算法针对国产卫星的大气水汽、气溶胶和云参数反演算法 基于静止（FY2/4）和极轨卫星(FY3)的大气参数融合及时空扩展方法基于静止（FY2/4

149、）和极轨卫星(FY3)的大气参数融合及时空扩展方法高时空分辨率的大气下行辐射遥感产品估算方法研究 云和复杂地形条件的下行辐射反演算法云和复杂地形条件的下行辐射反演算法 构建区分直散射的光合有效辐射估算模型构建区分直散射的光合有效辐射估算模型全球尺度辐射产品在高纬地区和有云状况下辐射精度较低，最大误差：35%存在问题研究内容国产卫星缺少长时序、高分辨率的辐射产品波段设置差异大气参数反演不能简单套用国外卫星算法卫星观测与实测短波辐射强迫误差卫星观测与实测短波辐射强迫误差(IPCC,AR4)29进展：将基于进展：将基于MODIS的暗背景方法移植至的暗背景方法移植至FY4A卫星。卫星。风云卫星气溶胶光

150、学厚度产品风云卫星气溶胶光学厚度产品基于风四和基于风四和Himiwari-8开发的气溶胶产品和开发的气溶胶产品和MODIS同类产品具有较高一致性。同类产品具有较高一致性。FY4A产品与MODIS比较FY4A产品与H8比较H8数据气溶胶产品数据气溶胶产品FY4数据气溶胶产品数据气溶胶产品利用前期开发的基于利用前期开发的基于MODIS的暗背景方法，在的暗背景方法，在Himawari-8和风云四号和风云四号A星数据上进行了测试，取得良好的效果。星数据上进行了测试，取得良好的效果。1、定标影响、定标影响2、地表反射率改进、地表反射率改进FY-4 20180426_0530 UTC改进一：对光谱响应函数

151、的不同、传感器差异、风云卫星数据仪器定标等因素对改进一：对光谱响应函数的不同、传感器差异、风云卫星数据仪器定标等因素对FY-4气溶胶算法的影响行了进一步评估，并利用气溶胶算法的影响行了进一步评估，并利用Aeronet站点数据对站点数据对FY-4算法进行了改进。算法进行了改进。改进二：通过对修正的晴空区检测区结果的重处理，改进了气溶胶光学厚度产品的精度改进二：通过对修正的晴空区检测区结果的重处理，改进了气溶胶光学厚度产品的精度业务实时产品改进后效果业务实时产品改进后效果0070809005060708090100Radio Sounding TPW/m

152、mO perational TPW /mmMean=12.2461RMSE=22.2397Coff=0.3607232FY2E反演反演TPW 存在问题：低水汽环境存在问题：低水汽环境时红外窗区通道无法获得可靠的水汽信息。时红外窗区通道无法获得可靠的水汽信息。解决方案解决方案：在分裂窗通道的基础上通过在分裂窗通道的基础上通过增加水汽敏感通道增加水汽敏感通道(6.9um)，降低地表发射率和观测误差带来的不确定性，提升现有产品在小水汽情况下反演精度。，降低地表发射率和观测误差带来的不确定性，提升现有产品在小水汽情况下反演精度。3个红外通道水汽的响应曲线个红外通道水汽的响应曲线PWV=42mmPWV=

153、29.8mmPWV=21.2mmPWV=14.4mmPWV=8.7mmPWV=4.2mm通过敏感性分析表明，低水汽环境时传统的两通道红外窗区通道无法获得可靠的水汽信息，可以用水汽吸收通道补充。通过敏感性分析表明，低水汽环境时传统的两通道红外窗区通道无法获得可靠的水汽信息，可以用水汽吸收通道补充。在原有的风云二号业务算法基础上，通过增加水汽通道的三通道物理分裂窗反演算法，在原有的风云二号业务算法基础上，通过增加水汽通道的三通道物理分裂窗反演算法，显著提高了大气水汽含量的反演精度显著提高了大气水汽含量的反演精度。发射率已知发射率已知发射率未知发射率未知两通道算法两通道算法三通道算法三通道算法无论是

154、发射率已知还是未知，三通道算法精度均高于两通道，尤其是在水汽值低时。无论是发射率已知还是未知，三通道算法精度均高于两通道，尤其是在水汽值低时。三通道算法三通道算法相对于两通道，相对于两通道，对地表发射率更不敏感。对地表发射率更不敏感。(a)(b)(c)(d)Fig.(a)ScatterplotofSVISSRretrievedPWVandradiosonde PWVoverChinaduringJunetoNovember2015.(b)HistogramofdifferencebetweentheSVISSRretrievedandradiosonde PWV.FY-2G/SVISSR反演大

155、气水汽含量验证结果反演大气水汽含量验证结果Juyang HU,Shihao TANG,Hailei LIU,et al.,2019:An Operational Precipitable Water Vapor Retrieval Algorithm for Fengyun-2F/VISSR Using a Modified Three-Band Physical Split-Window Method.J.Meteor.Res.,33(2):276-288,doi:10.1007/s13351-019-8111-4.下行短波(DSR)算法思路当前研究存在的主要问题本项目拟开展工作当前研究存在

156、的主要问题本项目拟开展工作DSR估算：估算：忽略地形对DSR的影响 未区分直射和散射辐射 低太阳视角下云-地表阴影的几何位移与形变建立综合考虑云-地形影响、区分直射与散射辐射的DSR反演模型DSR产品时空分辨率较粗，且主要使用国外数据产品时空分辨率较粗，且主要使用国外数据联合静止和极轨卫星提高时空分辨率(1km,3hr)考虑云阴影位移及畸变：提高云天辐射精度考虑地形对辐射影响：提高晴空起伏地形辐射精度区分直射与散射辐射基于FY4A的下行短波辐射产品试生产36以以FY4 L2大气和地表产品作为输入，反演瞬时太阳辐射量大气和地表产品作为输入，反演瞬时太阳辐射量云掩膜云掩膜云光学厚度云光学厚度大气水

157、汽大气水汽AOD地表入射太阳辐射量地表入射太阳辐射量(2018-6-1 6:00 GMT)入射太阳辐射量(日总)利用太阳高度利用太阳高度65的天文辐射和地表辐射，获取平均大气透过率，结合日天文辐射量获取日总太阳辐射的天文辐射和地表辐射，获取平均大气透过率，结合日天文辐射量获取日总太阳辐射日总太阳辐射量日总太阳辐射量(2018-6-1)入射太阳辐射量入射太阳辐射量(2018-6-1 0:00 GMT)入射太阳辐射量入射太阳辐射量(2018-6-1 12:00 GMT)入射太阳辐射量入射太阳辐射量(2018-6-1 6:00 GMT)直接辐射日变化散射辐射日变化直接辐射日变化散射辐射日变化(3)国

158、产卫星全球变化地表关键参数反演模型与提取技术38研究内容：基于国产卫星FY3为主要数据与的全球1km地表关键参数产品生产模型与方法 国产卫星HJ、GF数据协同的全国30m土地覆盖产品自动化提取方法 国产卫星HJ、GF的全国30m地表关键参数产品生产模型和方法 多尺度参数产品尺度一致的真实性检验技术研究 天空散射复合坡面二向反射存在问题：缺少国产卫星全球变化关键地表参数高精度反演模型缺少国产卫星全球变化关键地表参数高精度反演模型。地表的非均质性带来观测地表的非均质性带来观测角度差异，需要高精度方向性反射角度差异，需要高精度方向性反射/辐射模型和反演方法。不同卫星叶面积指数（辐射模型和反演方法。不

159、同卫星叶面积指数（LAI）差异显著，可能得全球变化相反的趋势）差异显著，可能得全球变化相反的趋势。39Y.Xu,L.Zhang,B.Du,F.Zhang,“Spectral-spatial unified networks for hyperspectral image classifi-cation,”IEEE Transactions on Geoscience and Remote Sensing,doi:10.1109/TGRS.2018.2827407.关键技术关键技术：明确土地覆盖分类体系：明确土地覆盖分类体系 土地覆盖分类系统采用IPCC和基于碳收支的土地覆盖类型，总共包括6个一

160、级类型，38个二级类型。土地覆盖分类系统采用IPCC和基于碳收支的土地覆盖类型，总共包括6个一级类型，38个二级类型。针对问题针对问题：如何将光谱特征提取、空间特征提取与分类器训练纳入到一个统一的框架？：如何将光谱特征提取、空间特征提取与分类器训练纳入到一个统一的框架？解决方法：提出了一种端到端的空谱一体化网络，有效提升了空谱特征融合下的遥感影像解译精度。解决方法：提出了一种端到端的空谱一体化网络，有效提升了空谱特征融合下的遥感影像解译精度。实施效果：在实施效果：在Indian Pines等公开数据集上的等公开数据集上的解译精度与传统方法相比提高解译精度与传统方法相比提高10%以上以上。(a)

161、假彩色合成图假彩色合成图(b)地表真实图地表真实图(c)PCA分类结果分类结果(d)我们算法结果我们算法结果40提出基于物理反演的发射率产品的劈窗地表温度反演算法。提出基于物理反演的发射率产品的劈窗地表温度反演算法。MuSyQ和和C6 MOD11在黑河在黑河4个站点的验证结果个站点的验证结果采用采用ASTER GED全球地表发射率产品作为静态数据库，通过光谱转换将全球地表发射率产品作为静态数据库，通过光谱转换将ASTER发射率转化为其它热红外传感器发射率；发射率转化为其它热红外传感器发射率；利用利用MuSyQ系统生产的植被覆盖度来生产动态的地表发射率产品。系统生产的植被覆盖度来生产动态的地表发

162、射率产品。在黑河试验中游在黑河试验中游4个裸露地表站点，地表温度产品平均偏差由个裸露地表站点，地表温度产品平均偏差由-1.78 K下降到了下降到了-0.26 K。Li Hua,et al.,Comparison of the MuSyQ and MODIS Collection 6 Land Surface Temperature Products over Barren Surfaces in the Heihe River Basin,doi10.1109/TGRS.2019.2907575100125GPP区分气候带区分气候带R2=0.712R

163、MSE=12.9bias=1.26GPP估算GPP通量站10-51x10-52x10-53x10-54x10-56x10-58x10-51x10-42x10-42x10-44x10-4Density025507575100125GPP估算GPP通量站R2=0.594RMSE=15.5bias=7.06GPP MOD估算估算区分气候带区分气候带GPP估算效果较估算效果较MODIS算法对比算法对比考虑不同植被气候带间植被种类以及最佳生长环境响应之间的差异，构建全球考虑不同植被气候带间植被种类以及最佳生长环境响应之间的差异，构建全球52种植被气候带下的光能利用率查找表，建立区分

164、植被气候带的植被总初级生产力（种植被气候带下的光能利用率查找表，建立区分植被气候带的植被总初级生产力（GPP）估算模型；）估算模型；改进算法与通量站改进算法与通量站GPP数据相关性比数据相关性比MODIS提高提高12%，RMSE降低降低15%。提出区分植被气候带的植被总初级生产力提出区分植被气候带的植被总初级生产力(GPP)估算方法。估算方法。0306090550755 Cf_PFT R2=0.50 RMSE=8.51 Cf_MOD R2=0.43 RMSE=19.36 Cs_PFT R2=0.59 RMSE=6.98 Cs_MOD R2=0.58

165、RMSE=18.85 Am_PFT R2=0.34 RMSE=4.79 Am_MOD R2=0.21 RMSE=17.53 Ar_PFT R2=0.08 RMSE=8.64 Ar_MOD R2=0.07 RMSE=13.73modeled GPP(gC/m2/8-day)GPPflux(gC/m2/8-day)A.EBF025507500 E_PFT R2=0.06 RMSE=12.43 E_MOD R2=0.03 RMSE=7.24 C_PFT R2=0.43 RMSE=2.13 C_MOD R2=0.21 RMSE=3.25 B_PFT R2=0.15 RMSE=1.

166、92 B_MOD R2=0.03 RMSE=5.76 D_PFT R2=0.68 RMSE=5.13 D_MOD R2=0.64 RMSE=10.01modeled GPP(gC/m2/8-day)GPPflux(gC/m2/8-day)B.OSHGPPPFT 在较原有在较原有GPPMOD 算法精度有提高常绿阔叶林（左）和开放灌丛（右）算法精度有提高常绿阔叶林（左）和开放灌丛（右）Shangrong Lin,Jing Li,Qinhuo Liu,et al.Improved global estimations of gross primary production using climati

167、c and vegetation classification information,Agriculture and Forest Meteorology(under review).42提出基于多角度遥感观测数据的植被覆盖度反演算法提出基于多角度遥感观测数据的植被覆盖度反演算法(MultiVI)基于多角度遥感观测数据，选取观测天顶角在基于多角度遥感观测数据，选取观测天顶角在57附近的角度组合对参数进行反演求解；附近的角度组合对参数进行反演求解；逐像元反演出像元二分模型中的两个重要参数逐像元反演出像元二分模型中的两个重要参数(NDVIv和和NDVIs)；基于基于 NDVI数据，计算得到承德研

168、究区数据，计算得到承德研究区30m分辨率分辨率FVC。与地面实测数据对比，相关性。与地面实测数据对比，相关性R达到了达到了0.896，反演，反演RMSD为为0.072。SAILH模型模拟数据验证模型模拟数据验证MultiVI算法结果算法结果承德研究区承德研究区FVC地面验证散点图地面验证散点图Xihan M,Wanjuan S,Zhan G,et al.Fractional vegetation cover estimation by using multi-angle vegetation index.Remote Sensing of Environment,2018,216:44-56.

169、土壤土壤-植被植被-冰雪的核驱动冰雪的核驱动BRDF模型的发展模型的发展 关键问题：关键问题：现有模型不能准确参数化冰雪散射特征 解决方案：解决方案：实现了冰雪BRDF特征的模型表达 相关结果：相关结果：提高了对冰雪地表BRDF特征的拟合精度Jiao Ziti,et al.Development of a snow kernel to better model the anisotropic reflectance of pure snow in akernel-driven BRDF model framework.2019.Remote sensing of environment.POL

170、DER观测值与模拟值比较观测值与模拟值比较(,)()()(,)()(,)+(,)(,)isovolvolgeogeosnwsnwRffKfKKf （4）国产卫星全球变化参数产品生产系统研发进展4444 发展：多源异构数据快速汇聚技术 保障：全球1-5km数据合全国16-30m数据 发展：遥感算法容器封装的即插即用技术、多层次产品流程自动化技术研究 形成：国产卫星产品自动化生产能力 发展：PB级国产卫星数据快速处理与产品生产技术 形成：长时序国产卫星产品的快速生产与共享服务能力 开展基于国产卫星全球变化参数产品的全球变化应用分析，实现国产卫星产品在全球变化研究中的深层次应用已完成系统需求分析、概

171、要设计报告，即将进行算法答辩45架构在中科院网络中心超算平台上架构在中科院网络中心超算平台上采用刀片服务器、大内存服务器构成的集群计算系统采用刀片服务器、大内存服务器构成的集群计算系统配备自主研发的分布式计算组件与分布式数据管理组件及调度软件配备自主研发的分布式计算组件与分布式数据管理组件及调度软件可满足可满足PB级影像数据高速处理的需求及超大容量的存储和快速访问的要求级影像数据高速处理的需求及超大容量的存储和快速访问的要求集群内部采用集群内部采用InfiniBand网络，集群与客户机之间采用千兆网络网络，集群与客户机之间采用千兆网络数据收集进展数据收集进展卫星传感器数据年份卫星传感器数据年份

172、 已收集年份已收集年份 数据大小负责单位汇聚方式数据大小负责单位汇聚方式HJ1A/1BCCD1/CCD年年70TB资源卫星应用中心硬盘拷贝GF1WFV2015-2020无无120TB资源卫星应用中心硬盘拷贝/网络下载GF6WFV2018-2020无无60TB资源卫星应用中心硬盘拷贝/网络下载FY3AMERSI/VIRR/MWRI-2015220TB气象卫星中心硬盘拷贝FY3BMERSI/VIRR/MWRI-2015320TB气象卫星中心硬盘拷贝FY3CVIRR/MWRI-201560TB气

173、象卫星中心硬盘拷贝FY3DMERSI/VIRR/MWRI2017-2020无无120TB气象卫星中心硬盘拷贝FY2DVISSR2009-2015无无15TB气象卫星中心硬盘拷贝FY2EVISSR-201518TB气象卫星中心硬盘拷贝FY2FVISSR2012-2020无无9TB气象卫星中心硬盘拷贝FY2GVISSR2015-2020无无7TB气象卫星中心硬盘拷贝FY4AAGRI2018-2020无无6TB气象卫星中心硬盘拷贝MTSAT-1RJAMITB气象卫星中心硬盘拷贝MTSAT-2JAMI-201524TB气象

174、卫星中心硬盘拷贝Himawari 8AHI2014-2020无无43TB气象卫星中心硬盘拷贝/网络下载MSG2/3/4SEVIRI-2015100TB气象卫星中心硬盘拷贝GOES系列系列VISSR-201560TB遥感与数字地球研究所网络下载Terra/Aqua MODIS-2015420TB遥感与数字地球研究所网络下载所需数据总量约：所需数据总量约：1677TB所需数据总量约：所需数据总量约：1677TB类型名称空间分辨率类型名称空间分辨率(m)时间分辨率精度时间分辨率精度全球产品全球产品大气水汽含量大气水汽含量1

175、0005天天80%气溶胶光学厚度气溶胶光学厚度10005天天0.05AOD0.15下行短波辐射下行短波辐射10005天天高纬高纬75%，低纬，低纬85%下行长波辐射下行长波辐射10005天光合有效辐射天光合有效辐射10005天地表反照率天地表反照率10005天天80%地表温度地表温度10005天天2.5K上行长波辐射上行长波辐射10005天天30W/m2土地覆盖分类土地覆盖分类100015天天80%植被覆盖度植被覆盖度10005天天85%植被指数植被指数10005天天85%光合有效辐射吸收比例光合有效辐射吸收比例10005天天85%类型名称空间分辨率类型名称空间分辨率(m)时间分辨率精度时间分

176、辨率精度全球产品全球产品叶面积指数叶面积指数10005天天85%植被总初级生产力植被总初级生产力10005天天85%植被净初级生产力植被净初级生产力10005天天85%地表粗糙度地表粗糙度10005天天80%全国产品全国产品土地覆盖分类土地覆盖分类30季季85%植被覆盖度植被覆盖度3010天天85%植被指数植被指数3010天天85%光合有效辐射吸收比例光合有效辐射吸收比例3010天天85%叶面积指数叶面积指数3010天天85%植被总初级生产力植被总初级生产力3010天天85%地表反照率地表反照率3010天天80%预期产品时间跨度预期产品时间跨度12年（年（2009-2020）481.Shang

177、rong Lin,Jing Li,Qinhuo Liu,et al.Improved global estimations of gross primary production using climatic and vegetation classification information,Agriculture and Forest Meteorology(1.Shangrong Lin,Jing Li,Qinhuo Liu,et al.Improved global estimations of gross primary production using climatic and ve

178、getation classification information,Agriculture and Forest Meteorology(under reviewunder review).).2.ZHU Weiren，ZHU Lin，Jun Li，SUN Hongfu，QIAO Li,Inversion of volcanic ash cloud top height using deep learning hybrid model(To be submitted to JGR)3.Jiao,Z.;Ding,A.;Alexander,K.;et al.,Development of a

179、snow kernel to better model the anisotropic reflectance of pure snow in a kernel-driven BRDF model framework.Remote sensing of environment.2019,3.Jiao,Z.;Ding,A.;Alexander,K.;et al.,Development of a snow kernel to better model the anisotropic reflectance of pure snow in a kernel-driven BRDF model fr

180、amework.Remote sensing of environment.2019,221:221:198-209.198-209.4.Miao Zelang,Gao Lipeng,He Yueguang,et al.,Use of colour transformation and the geodesic method for road centreline extraction from VHR satellite images,International Journal of Remote Sensing,2019,40:10,4043-4058.5.Yu Shanshan,Xin

181、Xiaozhou,Liu Qinhuo,Zhang Hailong,Li Li.An improved parameterization for retrieving clear-sky downward longwave radiation from satellite thermal infrared data,Remote Sensing,2019,11(4):425.6.Jia Shao,Bo Du,Chen Wu,Lefei Zhang.Tracking Objects From Satellite Videos:A Velocity Feature Based Correlatio

182、n Filter,IEEE Transactions on Geoscience andRemote Sensing,DOI:10.1109/TGRS.2019.2916953.7.Lyuyang Tong,Bo Du,Rong Liu,Liangpei Zhang.An Improved Multi-objective Discrete Particle Swarm Optimization for Hyperspectral Endmember Extraction,DOI:10.1109/TGRS.2019.2917001.8.Dehui Zhu,Bo Du,Liangpei Zhang

183、.Target Dictionary Construction-Based Sparse Representation Hyperspectral Target Detection Methods,IEEE Journal of Selected Topics4.Miao Zelang,Gao Lipeng,He Yueguang,et al.,Use of colour transformation and the geodesic method for road centreline extraction from VHR satellite images,International Jo

184、urnal of Remote Sensing,2019,40:10,4043-4058.5.Yu Shanshan,Xin Xiaozhou,Liu Qinhuo,Zhang Hailong,Li Li.An improved parameterization for retrieving clear-sky downward longwave radiation from satellite thermal infrared data,Remote Sensing,2019,11(4):425.6.Jia Shao,Bo Du,Chen Wu,Lefei Zhang.Tracking Ob

185、jects From Satellite Videos:A Velocity Feature Based Correlation Filter,IEEE Transactions on Geoscience andRemote Sensing,DOI:10.1109/TGRS.2019.2916953.7.Lyuyang Tong,Bo Du,Rong Liu,Liangpei Zhang.An Improved Multi-objective Discrete Particle Swarm Optimization for Hyperspectral Endmember Extraction

186、,DOI:10.1109/TGRS.2019.2917001.8.Dehui Zhu,Bo Du,Liangpei Zhang.Target Dictionary Construction-Based Sparse Representation Hyperspectral Target Detection Methods,IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2019,12(4):1254-1264.in Applied Earth Observations and Re

187、mote Sensing,2019,12(4):1254-1264.9.Qian Cheng,Bo Du,Liangpei Zhang,Rong Liu.ANSGA-III:A Multiobjective Endmember Extraction Algorithm for Hyperspectral Images,IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2019,12(2):700-721.10.Li Hua,et al.,Comparison of the MuSyQ

188、 and MODIS Collection 6 Land Surface Temperature Products over Barren Surfaces in the Heihe River Basin,doi 10.1109/TGRS.2019.291825911.Zhang P.,Zhu L.,Tang SH.,et al.,General comparison of FY-4A/AGRI with other GEO/LEO instruments and its potential and challenges on non-meteorological applications.

189、Front.Earth Sci,DOI:10.3389/feart.2018.00224(第一标注第一标注)12.Qinhuo Liu;Guangjian Yan;Ziti Jiao;Qing Xiao;Jianguang Wen;Shunlin Liang;Jindi Wang;Crystal Schaaf;Alan Strahler,From Geometric-Optical Remote Sensing Modeling to Quantitative Remote Sensing Science-In Memory of Academician Xiaowen Li,Remote S

190、ensing,2018,10(11),1764,Nov 2018.13.Gao Ling,Chen Lin,Li Jun.A Long-Term Historical Aerosol Optical Depth Data Record(1982-2011)Over China From AVHRR.November 2018.IEEE Transactions on Geoscience and Remote Sensing,2018,2467 2480.14.Li,Z.,Li,J.,Ding,X.,Wu,L.,Ke,L.,Hu,J.,et al.(2018).Anomalous glacie

191、r changes in the southeast of Tuomuer-Khan Tengri Mountain Ranges,Central Tianshan.Journal of Geophysical Research:Atmospheres,123,68406863.15.李静李静,柳钦火柳钦火,徐保东徐保东,赵静赵静.基于亚洲和北美基于亚洲和北美28个地面站点观测数据的叶面积指数验证数据集（个地面站点观测数据的叶面积指数验证数据集（1 km，2001-2011）DB/OL.全球变化科学研究数据出版系统全球变化科学研究数据出版系统,2018.DOI:10.3974/geodb.20

192、18.03.15.V1.16.柳钦火，仲波，唐娉等柳钦火，仲波，唐娉等.多源协同定量遥感产品生产系统多源协同定量遥感产品生产系统J.全球变化数据学报全球变化数据学报,2018,2(3):275-282.DOI:10.3974/geodp.2018.03.03.总结与展望项目背景与思路关键技术与研究进展研究目标、内容与技术路线项目团队集中了我国卫星定量遥感数据处理与应用研究的优势力量，将在十二五863重大项目的基础上，与十三五“全球变化与应对”、“地球观测与导航”重点研发计划相关项目密切，致力于：建立基于国产卫星数据的全球变化关键数据产品生成技术体系与系统；生产完全自主知识产权的长时间序列全球变

193、化遥感产品；显著提升国产卫星数据在全球变化研究的影响力。谢 谢！52项目名称负责人承担单位产品领域产品时间跨度数据源项目名称负责人承担单位产品领域产品时间跨度数据源全球不同区域陆地生态系统碳源汇演变驱动机制与游湖计算研究陈镜明南京大学碳循环/5种/不高于1km30年MODIS、AVHRR全球气候数据集生成及气候变化关键过程和要素监测梁顺林北京师范大学气候变化/10种/不高于1km40年MODIS、AVHRR等基于多源卫星遥感的高分辨率全球碳同行系统研究居为民南京大学碳循环/不高于1km30年MODIS、AVHRR全球碳循环关键参数立体观测与反演刘良云中科院遥感地球所碳循环/24种/不高于1km

194、39年MODIS、MERIS、AVHRR、MERSI全球变化大数据的科学认知与云共享平台吴炳方中科院遥感地球所30m土地覆盖与冻融产品，25年一期1km全球变化产品/17种30m：45年1km：15年MODIS、MERSI、TM、OLI本项目全球变化产品本项目全球变化产品30m产品产品7种种/10天天1km产品产品16种种/5天天12年年FY系列系列HJ和和GF系列数据系列数据与引领国际遥感发展的国家航天机构和国家实验室相对比与引领国际遥感发展的国家航天机构和国家实验室相对比GSFCJPLDGUMDDLRCNESCCRSJAXA美国戈达德太空飞行中心美国喷气推进实验室美国马里兰大学地理系德国宇

195、航局法国国家太空研究中心加拿大国家遥感中心日本宇宙航空研究开发机构遥感科学国家重点实验室的遥感科学国家重点实验室的SCI发文量发文量 2014年已经超越年已经超越DLR和和CNES,近几年已成为全球发表近几年已成为全球发表SCI论文最多的遥感机构。论文最多的遥感机构。736959392726050607080DLRGSFCJPLSLRSSCNESDGUMDCCRSJAXA2010年年06080100120140GSFCSLRSSDLRDGUMDJPLCNESCCRSJAXA2014年年国际专家一致认为国际专家一致认为1.发展的遥

196、感机理模型具有世界先进水平。1.发展的遥感机理模型具有世界先进水平。2.在卫星数据获取、数据解释以及2.在卫星数据获取、数据解释以及全球遥感产品的生成方面具有优势。全球遥感产品的生成方面具有优势。3.国际合作突出、论文发表保持领先地位、在3.国际合作突出、论文发表保持领先地位、在国际遥感领域做出重要贡献。国际遥感领域做出重要贡献。2014年年11月月22日，召开了日，召开了“遥感科学国家重点实验室国际专家咨询会遥感科学国家重点实验室国际专家咨询会”。基于遥感辐射模型的全球变化关键参数反演构建不同地表类型的遥感物理模型，对全球变化关键参数产品反演至关重要。覆盖森林、农作物、草地、土壤、水体等典型

197、地物类型，共集成50种遥感物理模型，其中20多种自主研发；在要素、像元、景观三种尺度具有全波段模拟能力。中科院遥感地球所建立了国际上首个全波段遥感机理模型模拟平台，模型最先进、类型最全、波段最广。透视成像鱼眼成像点云模拟透视成像鱼眼成像点云模拟具备多波段多传感器信号的模拟能力具备多波段多传感器信号的模拟能力CCD相机影像模拟热红外影像模拟雷达影像模拟相机影像模拟热红外影像模拟雷达影像模拟研发了国际上首个光学研发了国际上首个光学-红外红外-微波联合模拟平台微波联合模拟平台审稿人高度评价：审稿人高度评价：Open the door to a new area！引领国际复杂地表遥感机理与建模的发展引

198、领国际复杂地表遥感机理与建模的发展统计数据来源：统计数据来源：Web of Science,Journal Citation Reports 2017TOP2期刊最新影响因子：期刊最新影响因子：RSE IF=6.265;TGRS IF=4.942近五年将几何光学模型进一步推广到复杂地表近五年将几何光学模型进一步推广到复杂地表Li-Strahler经典几何光学模型经典几何光学模型(Li et al.,1985,1986,1992,TGRS)该模型入选国际光学工程学会“里程碑”该模型入选国际光学工程学会“里程碑”(遥感机理建模SCI论文排名第1)(遥感机理建模SCI论文排名第1)地形及多次散射的影

199、响地形及多次散射的影响地表方向反射大气多次散射地形校正前山区面积占65%以上山区面积占65%以上地形相关性大地形相关性大几乎无地形相关几乎无地形相关地形校正后地表反射率误差由20.4%降低到9.6%，应用范围由全国的35%提高到95%以上实现了山地地表反射率的高精度、大范围提取实现了山地地表反射率的高精度、大范围提取该成果已获得该成果已获得2016年度国家科技进步二等奖（国产陆地卫星定量遥感关键技术及应用）年度国家科技进步二等奖（国产陆地卫星定量遥感关键技术及应用）基于MODISMODIS时间序列的中低分辨率数据交叉辐 射 定 标 方 法，完 成 了 FY3A/B/C 的MERSI/VIRR等

200、传感器的交叉辐射定标利用时间序列利用时间序列MODIS数据同时反演了定标场的数据同时反演了定标场的BRDF和和AOD；该方法具有普适性，适合绝大多数的中低分辨率数据；该方法具有普适性，适合绝大多数的中低分辨率数据；辐射校正误差控制在辐射校正误差控制在5%以内，满足应用需求。以内，满足应用需求。基于定标场BRDFBRDF建模的宽覆盖中高分辨率数据交叉辐射定标方法，完成了HJ-1/CCDHJ-1/CCD、GF-1/WFVGF-1/WFV和GF-4/PMSGF-4/PMS等传感器的交叉辐射定标创新性的引入了创新性的引入了地形与多角度观测地形与多角度观测互换的思想，在互换的思想，在30m分辨率上解决了

201、大角度观测的影响分辨率上解决了大角度观测的影响将定标频次从一年一次提高到了一年多次，保证了传感器的辐射一致性将定标频次从一年一次提高到了一年多次，保证了传感器的辐射一致性辐射校正误差控制在辐射校正误差控制在5%以内，满足应用需求。以内，满足应用需求。地形起伏的沙漠定标场地形起伏的沙漠定标场Zhong B et al.2017.Remote Sensing of Environment.Zhong B et al.2014.IEEE TRGS.Yang A et al.2015.Remote Sensing.Yang A et al.2017.Remote Sensing.59国际上通常采用融合

202、、插补等手段来提升数据的可用性。国际上通常采用融合、插补等手段来提升数据的可用性。项目组提出了一系列项目组提出了一系列多时相融合、时域重建和时空融合多时相融合、时域重建和时空融合等方法，达到了国际领先水平等方法，达到了国际领先水平(RSE 2013,2015,2016；JGR 2016)。应用于应用于863计划“星机地综合观测定量遥感融合处理与共性产品生产系统”的产品生产，并取得了良好效果。计划“星机地综合观测定量遥感融合处理与共性产品生产系统”的产品生产，并取得了良好效果。ETM条带去除条带去除OMI臭氧产品条带去除臭氧产品条带去除项目组针对项目组针对GF-1卫星建立了卫星建立了联合光谱、联

203、合光谱、几何和纹理信息的几何和纹理信息的多特征云检测方法多特征云检测方法，取得了良好的效果取得了良好的效果(Li et al.RSE,2017)GF-1 云检测技术云检测技术GF-1 云影像云影像基于光谱方法基于光谱方法多特征联合方法多特征联合方法传感器传感器Landsat-8HJ-1GF-1GF-6光谱设置光谱设置(nm)蓝波段50520450520绿波段20590590630红波段30690630690近红外波段70890690-890短波红外短波红外

204、-1750无无短波红外无无短波红外22100-2300无无无短波红外无无无短波红外31360-1390无无无热红外无无无热红外-12500无无热红外无无热红外211500-12500无无无无 国产卫星如高分一号等缺少热红外与短波红外波段，无法使用主流的云检测算法国产卫星如高分一号等缺少热红外与短波红外波段，无法使用主流的云检测算法 高原地区存在积雪等高亮地物，同时受到薄云、碎云影响，云检测困难高原地区存在积雪等高亮地物，同时受到薄云、碎云影响，云检测困难辐射强迫关键参数遥感辐射集卫星数据源时间范围遥感辐射集卫星数据源时间范围ISCCP-FDGOES(512),

205、GMS(15),Insat，Meteosat(29),NOAA(718)1983-2009GEWEX-SRB1983-2007CERES-FSWCERES，MODIS，VIRS,Insat-3D,Meteosat(5,710),GMS-5,MTSAT(1R,2),Himawari-8,GOES(8,10-15)2000-今CM-SAFMSG-2,AVHRR20072012LSA-SAFMSG-22006.4今OSI-SAFMSG(24)，GOES-13/152001今全球尺度产品全球尺度产品空间分辨率：100-280km空间分辨率：100-280km不同产品间一致性差不同产品间一致性差两极和高

206、海拔地区精度低两极和高海拔地区精度低(月均辐射误差月均辐射误差 10 W/m2)区域尺度产品区域尺度产品空间分辨率：3-15km空间分辨率：3-15km不能直接应用于全球变化研究不能直接应用于全球变化研究GLASS(5km)MODIS为主为主20082010MusyQ(5km)FY2,GOES,MTSAT,MSG,FY3,MODIS20122016北京师范大学为主研发的全球陆表特征参量产品，北京师范大学为主研发的全球陆表特征参量产品，缺少“海洋”产品缺少“海洋”产品中科院遥地所中科院遥地所主持研发的“多元数据协同定量遥感产品生产系统”主持研发的“多元数据协同定量遥感产品生产系统”0102030

207、4050607080ISCCPGEWEXCERES全球3小时DSR精度全球3小时DSR精度北极青藏高原全球均方根误差（%）三极区域误差大三极区域误差大:水汽和近地面大气参数误差大水汽和近地面大气参数误差大 云云-雪难区分、单一传感器不能捕捉云的快速变化特征、云参数不确定性大；未考虑地形效应雪难区分、单一传感器不能捕捉云的快速变化特征、云参数不确定性大；未考虑地形效应三极区域误差大三极区域误差大:水汽和近地面大气参数误差大水汽和近地面大气参数误差大 云云-雪难区分、单一传感器不能捕捉云的快速变化特征、云参数不确定性大；未考虑地形效应雪难区分、单一传感器不能捕捉云的快速变化特征、云参数不确定性大；

208、未考虑地形效应62MODIS示意图静止卫星覆盖示意图示意图静止卫星覆盖示意图6060静止静止+极轨卫星组网极轨卫星组网发展了静止与极轨卫星融合的全天候平坦地表下行辐射估算方法发展了静止与极轨卫星融合的全天候平坦地表下行辐射估算方法 极轨卫星极轨卫星提供高空间分辨率提供高空间分辨率地表参数,如地表参数,如地表反射率、地形地表反射率、地形 静止卫星静止卫星提供高时间分辨率提供高时间分辨率大气参数，大气参数，如云、气溶胶、水汽如云、气溶胶、水汽(Li,(Li,RSERSE,2014;Zhang,2014;Zhang,RSRS,201820183小时/5km全球3小时/5km全球下行短波辐射下行短波辐

209、射6364样本数增加可显著提高分类精度样本数增加可显著提高分类精度迁移后的大量样本原始少量样本样本迁移通过样本迁移可显著增加样本量通过样本迁移可显著增加样本量 引入不同先验知识，先验知识内容多样，包括引入不同先验知识，先验知识内容多样，包括输入参数不准确输入参数不准确 相比低分辨率相比低分辨率LAI反演算法，高分辨率对不同植被类型、冠层结构和背景信息更敏感，需要更准确表达；反演算法，高分辨率对不同植被类型、冠层结构和背景信息更敏感，需要更准确表达；影响高分辨率LAI遥感反演精度的主要原因 精度改进方法精度改进方法生态系统LAI垂直分布特征生态系统LAI垂直分布特征准确的植被叶片光学特性准确的植

210、被叶片光学特性气象数据（气温、饱和水汽压等）气象数据（气温、饱和水汽压等）叶片反射率叶片透过率叶片反射率叶片透过率DOY高分辨率LAI反演技术66 精度改进方法精度改进方法引入气象观测数据后引入气象观测数据后LAI反演反演RMSE由0.765提高到0.453RMSE由0.765提高到0.453(Zhang et al.2012.RSE)先验知识的应用主要包括两种方式，一是先验知识的应用主要包括两种方式，一是直接参与反演直接参与反演，二是，二是对反演结果进行抑制对反演结果进行抑制直接参与反演直接参与反演先验知识：叶片光谱先验知识：叶片光谱（直接输入模型参与反演）（直接输入模型参与反演）对反演结果

211、抑制 对反演结果抑制改进算法改进算法先验知识：气象数据（辐射、气温、饱和先验知识：气象数据（辐射、气温、饱和水汽压）水汽压）LOPEX、ANGERS、中国波谱库、中国波谱库分植被类型、时相、气候带的分植被类型、时相、气候带的几十条几十条叶片光谱叶片光谱全球植被全球植被8个个类型叶片光谱类型叶片光谱原有算法原有算法气象数据表达：气象数据表达：LAI反演LAI反演其中，a/b/c/d通过动态贝叶斯网络DBN训练其中，a/b/c/d通过动态贝叶斯网络DBN训练DBN网络DBN网络 现有现有LAI产品产品空间分辨率空间分辨率及及精度精度 影响精度主要原因影响精度主要原因-地表非均质性地表非均质性忽略中

212、低分辨率像元内地物混合带来的忽略中低分辨率像元内地物混合带来的空间异质性空间异质性，会使，会使LAI反演产生反演产生超过超过50%的相对误差的相对误差(Chen,1999;Garrigues et al.,2006)目前目前LAI全球产品平均相对精度约全球产品平均相对精度约70%LAI产品（1km分辨率）精度分析及改进LAI产品（1km分辨率）精度分析及改进于文涛，李静，柳钦火等.中国地表覆盖异质性参数提取与分析.地球科学进展.于文涛，李静，柳钦火等.中国地表覆盖异质性参数提取与分析.地球科学进展.2016，31（10）：）：1067-1077Yu Wentao,Li Jing,Liu Qin

213、huo,et al.Analysis of global land surface heterogeneity.(In Review）分析方法分析方法：使用30m尺度的高分地表覆盖图（GlobalLand30-2010）提取 1km 尺度像元的异质性参数（像元边界长度、边界相对高差、端元数）。：使用30m尺度的高分地表覆盖图（GlobalLand30-2010）提取 1km 尺度像元的异质性参数（像元边界长度、边界相对高差、端元数）。1km尺度混合像元边界长度（米）1km尺度混合像元边界长度（米）分析1分析1：全球1km分辨率像元的混合比例分析？：全球1km分辨率像元的混合比例分析？植被植被1

214、km像元中，1km像元中，两种类型混合的占比约42%两种类型混合的占比约42%；其次是纯像元约26%；然后是三种类型混合占比约23%。可见，；其次是纯像元约26%；然后是三种类型混合占比约23%。可见，通常LAI反演中的像元均一假设仅适用于全球约四通常LAI反演中的像元均一假设仅适用于全球约四分之一的像元分之一的像元。分析2分析2：全球地表混合特征，即1km尺度像元由哪些类型混合？：全球地表混合特征，即1km尺度像元由哪些类型混合？（1）（1）生态交错区生态交错区，即不同植被类型的混合场景,是，即不同植被类型的混合场景,是最普遍的地表异质性形式，占比40.48%最普遍的地表异质性形式，占比40

215、.48%。含有森林的混合结构频率最高。含有森林的混合结构频率最高。（2）含有（2）含有水体水体和和人造地物人造地物的混合像元比例也相对较高，分别占所有混合植被像元的的混合像元比例也相对较高，分别占所有混合植被像元的12.78%12.78%和和4.91%4.91%。在高异质性场景中，水体的影响不可忽在高异质性场景中，水体的影响不可忽略略全球地表非均质特性分析全球地表非均质特性分析 以考虑水体混合为例以考虑水体混合为例LAI产品（产品（1km）精度改进方法）精度改进方法:反演精度最大可提高反演精度最大可提高50%以上通过以上算法改进思路，实现大部分区域产品精度达到以上通过以上算法改进思路，实现大部

216、分区域产品精度达到85%构建考虑地表构建考虑地表非均质非均质、及、及山地山地特征的特征的LAI反演算法体系反演算法体系lwww)1(首先去除水体反射率影响首先去除水体反射率影响反演植被部分LAI反演植被部分LAI),(VAziVZenSAziSZenfLAINIRRed区分直散射叶片的双叶GPP模型区分直散射叶片的双叶GPP模型基于基于已有已有区分直散射的PAR（Li,et.al,2015,RSE）、FPAR（Li,et.al,2015,RS）估算，构建区分直散射的双叶GPP估算模型。区分直散射的PAR（Li,et.al,2015,RSE）、FPAR（Li,et.al,2015,RS）估算，构

217、建区分直散射的双叶GPP估算模型。GPP/NPP产品精度改进方法通过以上算法改进思路，达到大部分区域产品精度达到通过以上算法改进思路，达到大部分区域产品精度达到85%提高GPP产品空间分辨率提高GPP产品空间分辨率利用国产高空间分辨率LAI、FPAR等产品，生成30m分辨率GPP产品利用国产高空间分辨率LAI、FPAR等产品，生成30m分辨率GPP产品。细化光能利用率查找表，利用先验知识细化光能利用率查找表，利用先验知识构建区分气候带及植被类型的光能利用率查找表，引入植被垂直特征等先验知识，发展利用先验知识提高GPP估算精度的方法。构建区分气候带及植被类型的光能利用率查找表，引入植被垂直特征等

218、先验知识，发展利用先验知识提高GPP估算精度的方法。区分直散射的PAR算法区分直散射的PAR算法区分直散射的FPAR算法区分直散射的FPAR算法PAR估算相对误差估算相对误差17%，优于，优于MODIS及及Meteosat产品产品27%-29%的精度。的精度。反演精度RMSE为0.028，改善了MODISFPAR在森林地区高估现象反演精度RMSE为0.028，改善了MODISFPAR在森林地区高估现象71 多源数据的质量控制方法 反演前的 反演前的质量控制质量控制使用：MuSyQ产品算法中使用的“使用：MuSyQ产品算法中使用的“基于基于BRDF特性的数据质量描述方法特性的数据质量描述方法”国

219、家专利一种对遥感数据进行观测质量分级的方法受理号：国家专利一种对遥感数据进行观测质量分级的方法受理号：201510251635.3YeluZeng,JingLi,QinhuoLiu,etal.,AniterativeBRDF/NDVI inversion algorithm based on a posteriorivariance estimation of observation errors,IEEE TGRS(SCI,IF=3.51)根据BRDF特征的一致性原则进行质量分级根据BRDF特征的一致性原则进行质量分级一级数据一级数据：和拟合的BRDF模型具有：和拟合的BRDF模型具有最好的

220、一致性最好的一致性二级数据二级数据：和拟合BRDF模型有：和拟合BRDF模型有合理范围内的差异合理范围内的差异三级数据三级数据：受传感器噪声及残云影响，：受传感器噪声及残云影响，误差明显误差明显方法要求：方法要求：具备一定的多角度观测！当多角具备一定的多角度观测！当多角度观测不足时，需进行反演后质量控制。度观测不足时，需进行反演后质量控制。反演后的质量控制 反演后的质量控制反演后的质量控制是反演后的质量控制是对反演结果合理性的判断对反演结果合理性的判断，需要，需要借助一定先验知识借助一定先验知识。如植被参数反演中，可借助气象数据。如植被参数反演中，可借助气象数据等。等。使用基于站点观测空间代表

221、性评价方法使用基于站点观测空间代表性评价方法（Xu et.al.,2016,IEEE JSTAR)低代表性等级下升尺度方法低代表性等级下升尺度方法(Xu et.al,2018,RSE)LAI长时序产品真实性检验方法长时序产品真实性检验方法问题：问题：站点观测尺度（如几十米）遥感像元尺度（如1km）站点观测尺度（如几十米）遥感像元尺度（如1km）全球站点观测空间代表性分级全球站点观测空间代表性分级level0level4level1站点观测空间升尺度结果站点观测空间升尺度结果分析了分析了LAI 产品产品:MODIS,GLASS,GEOV1时间范围时间范围:2001-2011实现实现LAI长时序验

222、证LAI长时序验证青藏高原大多数的全球变化反演产品的效果不佳，项目如何考虑？2009、2011年组织了年组织了2次青藏高原星机地联合观测试验，获得了重要观测资料。次青藏高原星机地联合观测试验，获得了重要观测资料。在十二五全球变化重大项目中，与青藏所、寒旱所建立了密切合作关系，加强产品检验验证研究。在十二五全球变化重大项目中，与青藏所、寒旱所建立了密切合作关系，加强产品检验验证研究。气象局青藏高原外场观测基地，具备大气地表参数观测能力。气象局青藏高原外场观测基地，具备大气地表参数观测能力。高精度的观测与验证资料缺乏可能是主要原因高精度的观测与验证资料缺乏可能是主要原因气象局青藏高原外场观测基地青

223、藏高原星机地联合观测试验青藏高原星机地联合观测试验关于做两套产品的问题74 项目组在“十二五”项目组在“十二五”863重大项目执行期间，发展了国产卫星和国际卫星数据协同的辐射、植被、水热通量、冰雪变化四大类重大项目执行期间，发展了国产卫星和国际卫星数据协同的辐射、植被、水热通量、冰雪变化四大类26个产品生产算法，并在编写国家遥感中心全球生态环境遥感监测年报时生产了个产品生产算法，并在编写国家遥感中心全球生态环境遥感监测年报时生产了6年全球的产品；其中国产数据占比超过年全球的产品；其中国产数据占比超过50%本项目将完全使用国产数据，形成一套新的产品本项目将完全使用国产数据，形成一套新的产品 在项

224、目执行后期，将利用生成的两套产品进行对比验证在项目执行后期，将利用生成的两套产品进行对比验证植被生长状况监测与评价植被生长状况监测与评价全球地表反照率产品全球地表反照率产品MODIS与与FY3/MERSI协同生产的协同生产的1km/5天产品天产品MODIS与与FY3/MERSI协同生产的协同生产的1km/5天产品天产品研究厚度变化随海拔变化规律研究厚度变化随海拔变化规律对比冰川区和非冰川区观测结果，验证精度对比冰川区和非冰川区观测结果，验证精度研究冰川厚度变化随表碛变化规律研究冰川厚度变化随表碛变化规律研究冰川物质平衡变化对流域水资源影响研究冰川物质平衡变化对流域水资源影响精细研究精细研究30

225、m分辨率尺度研究30m分辨率尺度研究1km分辨率无法实现1km分辨率无法实现跃动冰川等特殊目标的精细研究、冰川厚度变化随表碛变化规律跃动冰川等特殊目标的精细研究、冰川厚度变化随表碛变化规律1km分辨率无法实现1km分辨率无法实现跃动冰川等特殊目标的精细研究、冰川厚度变化随表碛变化规律跃动冰川等特殊目标的精细研究、冰川厚度变化随表碛变化规律1km分辨率尺度研究1km分辨率尺度研究研究冰川物质平衡变化区域分布规律及对气候变化响应研究冰川物质平衡变化区域分布规律及对气候变化响应精度高且信息丰富精度高且信息丰富跃动冰川等特殊目标的精细研究跃动冰川等特殊目标的精细研究（Kb et al.,2012,Na

226、ture)研究冰川物质平衡变化区域分布规律及对气候变化响应研究冰川物质平衡变化区域分布规律及对气候变化响应高分辨山地冰川观测高分辨山地冰川观测30米以上30米以上低分辨山地冰川观测低分辨山地冰川观测1千米左右1千米左右基于多源卫星观测的土壤水分和积雪数据同化研究第四届全国定量遥感学术论坛第四届全国定量遥感学术论坛2背景介绍Aqua:MODIS,AMSR-EGRACETerra:MODIS 土壤水分与积雪是控制能水循环的关键因子，影响天气和气候预测 卫星遥感和陆面模型在获取大尺度时空连续的土壤水分和积雪数据上存在局限性 陆面数据同化以卫星观测约束模型，得到更合理的估计George E.P.Box

227、“Essentially,all models are WRONG,but some are USERFUL.”3 模型存在系统误差和随机误差背景介绍模型总误差=系统误差+随机误差4背景介绍 局限性：局限性：单源与多源同化，不同时空分辨率卫星产品的联合同化等 研究目标：研究目标：发展基于多源卫星观测的陆面数据同化系统（原型），生成一套稳定的适用于水文气象研究的全球同化数据集。0.00.10.20.30.40.50.601/06/1121/06/1111/07/1131/07/1120/08/1109/09/1129/09/11soil moisture(m3m-3)Date(dd/mm/yy)

228、obsDA_ALSMSMOS_AZhaoetal.(2014RSE)变分同化：基于代价函数的模型参数优化5 多模型模拟来代表模型的不确定性 基于贝叶斯理论估计变量后验概率分布并计算成员的增量 根据不同变量间的协方差来映射增量，更新初始值多源同化集合同化方法Timet1t2t3先验概率分布先验概率分布后验概率分布6 模型算子 CLM(NCAR，the Community Land Model），不断进化的模型 Multi-instance：一次编译可同时执行多个集合模拟；并行计算优化 地球系统模型（CESM）的有机组成部分，便于发展气候模式耦合同化多源同化同化方案 同化平台 DART(NCAR，

229、Data Assimilation Research Testbed)独立于模型，模块化设计，方便耦合 集成主流的集合同化算法 内建丰富的分析工具 专业团队对算法和软件的支持ZhaoandYang(2018,RSE;2016,JHM)7GRAGRACE TWSSWEandsnowthicknessLiquidsoilwaterandsoiliceWaterinaquifer(WA)andtotalwaterstorage(WT)ASOAMSR-E TB atlower frequenciesLiquidsoilwaterASNAMSR-E TB athigher frequenciesSWE,

230、snowthickness,andsnowtemperatureLiquidsoilwaterandsoiltemperatureSWEandsnowthicknessMODMODIS SCF多源同化同化方案Zhangetal.2014JGRAKwonetal.2016JHMZhaoetal.2016JHMZhangetal.2016JGRA8 模型与观测误差 ASO Key time-invariant model parameters are pre-calibrated through a variational DA method(Zhao et al.2016 JHM).ASN ke

231、y model parameters(snow stickiness and grain radius)are simultaneously updated with the soil and snow states during each EAKF assimilation cycle(Kwon et al.2016 JHM).GRA detrended GRACE TWS anomaly(regularized sliding window mascon solution;Sakumura et al.2016 JGR)added to CLM multi-year mean of TWS

232、 to artificially reconstruct an absolute TWS observations.MOD a relative large observation error of 10%is assigned(Zhang et al.2014 JGR-A).多源同化同化方案9 计算效率 Time-shifting of CAM4 reanalysis多源同化同化方案SpatialupscalingofsatelliteretrievalsfromoriginalresolutiontotheCLMgridcellscale(0.9 1.25);Localization in

233、DART(setto0.05radians,i.e.around2.86).10 基于CLM-DART的多源陆面数据同化系统多源同化同化方案研究问题：陆表状态变量多目标优化及多源同化的效果?不同传感器对特定状态变量估计的作用?ZhaoandYang(2018,RSE)11 考虑不同传感器组合的多源同化实验多源同化实验设计Observations CasesMODDIS积雪覆盖积雪覆盖GRACE水储量变化水储量变化AMSR-E低频亮温低频亮温AMSR-E高频亮温高频亮温OLOpen-loop,no DADA_1_GRAxDA_2_MOD_GRAxxDA_3_MOD_ASOxxDA_4_MOD_A

234、SNxxDA_5_MOD_AMRxxxDA_6_MOD_AMR_GRAxxxxDA_7_MOD_ASO_GRAxxxDA_8_MOD_ASN_GRAxxx生成了全球2003-2009年1小时，1分辨率，共40个成员的，包含土壤水分、积雪、径流、通量等多个陆表变量在内的同化数据集ZhaoandYang(2018,RSE)12多源同化结果分析之土壤水分评估 以ISMN 观测网实测土壤水分为参照，同化减小了各层土壤水分估计的均方根偏差，但仍存在较大系统性偏差RMSE_diff=OL DAZhaoandYang(2018,RSE)13多源同化结果分析之土壤水分评估 以ISMN 观测网实测土壤水分为参照

235、，同化不同程度上减小/增大了9个独立观测网各层土壤水分估计的均方根偏差ZhaoandYang(2018,RSE)14 以ESA CCI全球产品为参照，同化提高了表层土壤水分的空间相关性多源同化结果分析之土壤水分评估0.750.760.770.78SpatialcorrelationofmultiyearmeanSSMwithESAdataZhaoandYang(2018,RSE)15多源同化结果分析之积雪深度评估0.400.450.500.55SpatialcorrelationofmultiyearmeansnowdepthwithCMCdata 以加拿大气象中心（CMC）积雪再分析资料为参

236、照，同化提高了积雪深度估计的空间相关性ZhaoandYang(2018,RSE)16多源同化结果分析之积雪深度评估 以CMC为参照，同化得到的纬度带平均雪深更接近再分析资料，但仍存在一定系统性偏差0.00.10.20.30.40.50.60.745505560657075Snow depth(m)Latitude()FEB 1CMC再分析资料同化模拟ZhaoandYang(2018,RSE)17多源同化结果分析之积雪深度评估 以CMC为参照，同化对雪深估计的提高/退化存在空间变异性，且不同传感器的贡献不同(m)RMSE_diff=OL DA ZhaoandYang(2018,RSE)18多源同

237、化结果分析之积雪深度评估 以CMC为参照，同化对雪深估计的提高/退化存在空间变异性，且不同传感器的贡献不同(m)RMSE_diff=OL DA ZhaoandYang(2018,RSE)19 建立了基于CLM和DART的多源全球陆面数据同化系统，有效实现多源遥感产品同化及和多模型变量的同步更新；生成了一套全球多源陆面同化产品数据集 同化在不同程度上改善全球多层土壤水分和中高纬度的积雪估计，而改进/退化的程度呈现出较大空间变异性，且不同传感器的贡献不同 集合同化不能有效处理模型的系统误差多源同化小结平均偏差（BIAS）0.00.20.40.60.845556575Snow depth(m)Lat

238、itude()FEB 1CMC再分析资料同化模拟20多源同化小结平均偏差（BIAS）0.00.20.40.60.845556575Snow depth(m)Latitude()FEB 1CMC再分析资料同化模拟0.00.10.20.30.40.50.601/06/1121/06/1111/07/1131/07/1120/08/1109/09/1129/09/11soil moisture(m3m-3)Date(dd/mm/yy)obsDA_ALSMSMOS_A变分同化+集合同化谢谢，敬请批评指正！谢谢，敬请批评指正！赵 龙()22THANK YOU!LongZHAO()Zong-Liang Y

239、ang,UT-AustinTimothy Hoar,NCARYongfei Zhang,UWYonghwan Kwon,UMKun Yang,THUJiangfeng Wei,NUISTCarly Sakumura,JPLXiaolu Ling,NJUThe Texas Advanced Computing CenterZhao,L.andYang,Z.L.,2018.Multisensorlanddataassimilation:Towardarobustglobalsoilmoistureandsnowestimation.RemoteSensingofEnvironment,216:13

240、27.23 青藏高原那曲多尺度土壤温湿度观测网青藏高原那曲多尺度土壤温湿度观测网，为国际土壤水分网计划（为国际土壤水分网计划（ISMN）提供数据）提供数据 重庆青木关野外观测基地小结与展望青藏高原土壤温湿度观测系统重庆青木关综合观测基地24集合同化?TWS?,?,?,?,?,?242526 Zhao,L.and Yang,Z.-L.,2018.Multi-sensor land data assimilation:Toward a robust global soil moisture and snow estimation.Remote Sensing of Environment,216:

241、13-27.Zhao,L.,Z.-L.Yang,T.J.Hoar,2016.Global Soil Moisture Estimation by Assimilating AMSR-E Brightness Temperatures in a Coupled CLM4RTMDART System,Journal of Hydrometeorology,17:24312454.Zhao,L.,K.Yang,J.Qin,Y.Y.Chen,W.J.Tang,H.Lu,and Z.L.Yang,2014.The scale-dependence of SMOS soil moisture accura

242、cy and its improvement through land data assimilation in the central Tibetan Plateau.Remote Sensing of Environment,152:345-355.Zhao,L.,K.Yang,J.Qin,and Y.Chen,2013.Optimal Exploitation of AMSR-E Signals for Improving Soil Moisture Estimation through Land Data Assimilation,Geoscience and Remote Sensi

243、ng,IEEE Transactions on,51:399-410.相关论文27小结与展望 基于代价函数的变分同化方法可以有效减小模型系统误差，弥补集合同化不足 变分同化对于模型背景误差和观测误差的处理相对简单，尤其考虑到多源同化情形，集合同化处理更为合理基于多源遥感的城市化对植被生产力综合影响分析第四届全国定量遥感学术论坛第四届全国定量遥感学术论坛目录研究背景融合多源遥感的NDVI序列构建城市化对植被生产力影响分析总结和讨论-2-1342认知陆地生态系统碳循环，是关系人类可持续发展的重要问题-3-(IPCC,2013)NPPGPPRa光合作用所产生的有机质总量中扣除自养呼吸后的剩余部分光合

244、作用所产生的有机质总量中扣除自养呼吸后的剩余部分工业革命以来，大气中二氧化碳等温室气体含量持续升高植被净初级生产力(Net Primary Productivity,NPP)反应植被固定二氧化碳能力的重要指标研究背景11遥感是目前植被监测最重要的手段之一，但单一遥感系统难以同时兼顾时空分辨率与时序覆盖长度卫星传感器时间分辨率卫星传感器时间分辨率NDVI产品空间分辨率产品空间分辨率(m)开始时间开始时间Landsat 4/5/7/8TM/ETM+/OLI16天天/301982年Terra/AquaMODIS1天2景MOD年年NOAAAVHRR1天GIMMS3g约约80

245、001981年SPOTVGT1天VEGETATION10001998年年研究背景问题1：如何获取兼具时空分辨率的高质量长时序遥感数据-5-1全球正经历快速的城市化进程，对区域碳循环造成了巨大影响城市化前后对比城市热岛效应土地覆盖变化：直接影响植被数量多少，引起生态系统结构的变化等生长环境变化：气候、土壤、大气条件等方面变化，如城市热岛等人类活动影响：人类灌溉、植被管理等影响研究背景Pei等;Yu等;Wu等Zhao等;Zhou等;Takagi等大量研究分析城市化导致植被减少对NPP的影响也有学者表明城市环境明显的促进了植被生长11ZhaoS,LiuS,ZhouD.Prevalentvegetat

246、iongrowthenhancementinurbanenvironmentJ.PNAS,2016土地覆盖变化的影响城市扩张，城市绿化等直接影响1间接影响1其他因素的影响全球气候变化、城市环境变化等研究背景问题2：如何在认知城市化历史进程对NPP的综合影响目录研究背景融合多源遥感的NDVI序列构建城市化对植被生产力影响分析总结和讨论-7-1342-8-AVHRR GIMMS3g 8kmMODIS MOD13A3 1km2020102020不同长时序NDVI产品均具有各自的优势和不足，如何有效结合多源数据，克服单一传感器限制？NDVI数据融合POP-(Product of

247、product)POP-(Product of product)New product 1km处理流程-9-GIMMS 8kmMOD13 1km 1982 52000 200120152019MODISaAVHRRb1982 52019AVHRR MODIS-Like 8 kmMODIS 1km时空信息融合时空信息融合考虑季节差异考虑季节差异2000.01 1982-1999,1月2000.02 1982-1999,2月 2000.12 1982-1999,12月020191982-2014 时空连续1kmNDVI2015传感器

248、归一化传感器归一化时域滤波时域滤波时域滤波时域滤波2-10-2融合之前真实数据融合之前真实数据融合结果融合结果时空融合结果评价指标年际变化图时空融合结果评价指标年际变化图利用2000-2012年的数据重叠进行模拟实验融合结果与真实MODIS具有较好的一致性，且融合精度能够随着融合年份和参考年份间距离的变长而保持稳定融合精度验证-11-全球产品生产2 1km 空间分辨率 16天/月 时间分辨率 1981.07至今长时序 MODIS分幅方式 全球精度验证 时空连续可比目录研究背景融合多源遥感的NDVI序列构建城市化对植被生产力影响分析总结和讨论-12-1342-13-实测实测NPP(gC m2ye

249、ar1)估算估算NPP(gC m2year1)基于CASA模型估算云南省NPP，并利用59个实测站点数据分别对用不同NDVI所计算的NPP结果进行验证原始原始GIMMS3g NDVI归一化归一化NDVI最终融合最终融合NDVI 利用融合NDVI估算的NPP比原始NDVI的计算结果具有更高的精度3 昆明市内NPP与MOD17产品具有高时相相关性(r=0.83)NPP估算验证-14-整个城区：整个城区：2014年的城区范围老城区：老城区：1989年的城区范围扩张区：扩张区：2014年和1989年的城区范围之差郊区：郊区：2014年城区的5km缓冲区非城市区：非城市区：城区附近与其面积一样的山区森林

250、年份传感器月年份传感器月/日年份传感器月日年份传感器月/日年份传感器月日年份传感器月/日年份传感器月日年份传感器月/日日1987TM02/081994TM03/152001TM03/022008TM04/061988TM01/261995TM04/032002ETM+02/092009TM02/041989TM03/011996TM01/162003TM04/092010TM02/071990TM01/151997TM05/102004TM03/102011TM02/261991TM02/191998TM04/272005TM02/252012ETM+01/201992TM01/051999T

251、M03/292006TM04/012013OLI04/201993TM02/082000ETM+03/232007TM05/062014OLI04/23利用Landsat数据对城市区域的植被、不透水面、裸土和水体四类地表覆盖进行分类，定义单位NPP像元内的不透水面所占比例为城市化强度3城市化强度-15-0NPPNPPdirhD01hFVNPPNPP1NPPNPPindhD其他因素的间接影响土地覆盖变化直接影响假设一个城市像元的NPP仅由其中可生产部分所占的面积比例所决定1，即：31NPP0NPP100t1t城市化前后NPP变化如果没有间接影响，时刻的NPP应当为：1t(,)1(,)(,)FVN

252、PP x tx tNPPx t3不同影响分离城市扩张情况-16-土地覆盖类型转换空间分布图三种土地覆盖类型面积占比的年际变化土地覆盖类型转换空间分布图三种土地覆盖类型面积占比的年际变化 昆明经历了越来越快的城市化，不透水层面积占比呈指数型增长 城市内的植被区域越来越少，近两年有城市绿化的现象 昆明市内有37.68%的区域呈现不透水面的增加，老城区土地覆盖稳定3不同区域NPP-17-不同区域的不同区域的NPP年际变化趋势年际变化趋势城市化导致了城市区域内的区域NPP呈现减少趋势，并且扩张区的NPP降低趋势最明显，而郊区的降低趋势最小非城市区域增长城市区域减少3直接和间接影响直接影响和间接影响的年

253、际变化趋势直接影响和间接影响的年际变化趋势-18-城市区域的NPP降低主要因为城市化的直接影响，导致可生产面积减少 间接影响能显著促进植被生长，且以2000年分段呈现先增长后稳定的趋势 间接影响的促进作用能够抵消直接影响将近30%的负面作用3时空异质性不同月份的间接影响不同月份的间接影响-19-变化斜率变化斜率(gC.m2.year1)全城区老城区 扩张区郊区全城区老城区 扩张区郊区直接影响10.034.2811.372.46间接影响1.551.621.531.30不同区域直接和间接影响的年际变化斜率不同区域直接和间接影响的年际变化斜率 季节异质性方面，间接影响（PII）呈现明显的冬季高夏季低

254、现象 在空间上，扩张区的直接影响最严重，而老城区的间接影响最高（PII为间接影响与为间接影响与NPP比值）比值）3城市化对植被生产力的不同影响呈现巨大时空异质性-20-区域气候因子区域气候因子-19992000-2014整个城市区域整个城市区域降水0.0610.380.06气温0.44*0.70*0.014老城区老城区降水0.190.230.45气温0.43*0.590.17扩张区扩张区降水0.110.410.039气温0.45*0.72*0.054注：注：*代表了显著相关，即代表了显著相关，即p0.05。城市热岛可能是间接影响的重要驱动力 间接影响与气温呈现显著相关

255、性，且在城市化初期更明显3间接影响与气候因子的相关性与气候因子关系 扩张区的城市化间接影响与气温相关性高于老城区区域气候因子区域气候因子-19992000-2014整个城市区域整个城市区域降水0.55*0.170.59*气温0.41*0.330.34老城区老城区降水0.340.070.14气温0.210.210.14扩张区扩张区降水0.56*0.190.60*气温0.42*0.340.36-21-直接使用NPP分析与气候因子的相关性注：注：*代表了显著相关，即代表了显著相关，即p0.05。3分离影响的必要性降水是主导因素2000后前影响最大直接利用NPP与气候进行分析

256、，会得到完全相反的结论！-22-区域老城区扩张区郊区需占用面积区域老城区扩张区郊区需占用面积(km2)61.7782.21100.81需占用面积比例需占用面积比例(%)70.2724.4614.38不同区域碳汇补偿绿化所需的面积城市化前后的不同区域碳汇补偿绿化所需的面积城市化前后的NPP总量和总量和NPP-FV（NPP-FV代表全植被覆盖区域的NPP值）3城市绿化由于间接影响，弥补损失所需的绿化面积只需要植被减少的75.36%城市化造成昆明市陆地生态系统碳汇损失约为0.088 TgC.year1目录研究背景融合多源遥感的NDVI序列构建城市化对植被生产力影响分析总结和讨论-23-1342-24

257、-构建一个基于多流程处理的多源NDVI产品融合框架，获取自1982年开始时空连续可比的1km时间序列土地覆盖变化是城市NPP降低的主要原因，而城市环境会对植被生长产生促进作用气温是主导间接影响变化的主要因素，而时空异质性表明城市热岛可能是重要驱动力4总结如果不分离直接与间接影响，直接用NPP进行分析会得到完全相反的错误结论，证明了分离影响的必要性武汉大学武汉大学资源与环境科学学院资源与环境科学学院基于多源遥感的城市化对植被生产力综合影响分析基于多源遥感的城市化对植被生产力综合影响分析第四届全国定量遥感学术论坛第四届全国定量遥感学术论坛基于无人机的高光谱数据提高干旱区土壤含水量估算精度的新方法A

258、 new approach of UAV-based hyperspectral data to improve the estimation accuracy of soil moisture content in arid areas第四届全国定量遥感学术论坛第四届全国定量遥感学术论坛面临困难与问题研究目的研究背景与意义2 2背景土壤含水量不仅是全球变化的重要一环，同时极易影响植被生长对干旱区生态环境、经济生产起着关键作用绿洲：农业的载体作物胁迫：干旱胁迫干旱区精准农业与水资源管理3 3背景研究背景与意义研究目的面临困难与问题困难1：观测资料稀缺困难2：缺乏快速易行的手段困难3：水分空间分

259、布极不平衡，实现精准农业有难度UAV+高光谱传感器 高维数据如何实现有效的挖掘 间接估算的合理性 高维数据如何实现有效的挖掘 间接估算的合理性研究背景与意义研究目的面临困难与问题4 4背景探究基于成像高光谱数据的预处理方式和最适光谱指数在估算土壤含水量的潜力明确最佳估算模型，并提供一套可参考的估算方案尝试土壤含水量数字制图研究背景与意义研究方法研究区5 5数据与方法研究区6 6数据与方法研究方法?,?,?/?,?/?,?0.4401?0.3308?/?1?0.4401?first-derivative R(FDR)second-derivative R(SDR)continuum-remova

260、l(CR)absorbance(A)first-derivative absorbance(FDA)first-derivative absorbance(SDR)梯度提升回归树随机森林回归极端梯度增强预处理指数模型描述统计预处理最适指数模型验证7 7研究结果描述统计SPXY划分建模集和验证集描述统计最适指数模型验证8 8研究结果预处理450 nm,670 nm,740 nm,980 nm描述统计预处理模型验证9 9研究结果最适指数Spectral indicesPretreatment methodRFDRSDRCRAFDASDADI0.7240.6620.5510.7370.7480.74

261、20.577NDI0.7480.6740.4870.7550.7250.6160.561RI0.7470.6680.4750.7550.7200.6240.424PI0.7720.6930.5540.7460.7730.7380.569420,440,460,700和750nm叶绿素和水分的敏感带描述统计预处理模型验证1010研究结果最适指数描述统计预处理最适指数1111研究结果模型验证展望结论与展望1212结论使用不同的预处理策略处理UAV图像能实现深度信息挖掘，预处理A方案在改善相关性方面具有强烈的积极作用。有效消除了大气干扰和土壤背景，A_PI具有显著相关性（|r|=0.773）XGBo

262、ost模型比RF和GBRT模型产生更好的预测结果。XGBoost模型对于估计SMC的具有最佳精度（R2val=0.926，RMSEP=1.943和RPD=2.556）结论结论与展望1313展望（指数i-指数j）/（指数i+指数j）讲师 2名博士后 1名博士生 11名硕士生 18名干旱区盐尘气溶胶干旱区生态水文遥感应用土壤水盐运移数据同化与建模感谢观看，请批评指正感谢观看，请批评指正基于激光雷达数据的区域森林生物量制图基于激光雷达数据的区域森林生物量制图武汉大学 资源与环境科学学院2019年6月16日南京大学第四届定量遥感论坛报告提纲2研究科学背景1 1研究方法与案例2 2研究总结3 3研究科学

263、背景3社会需求当前全球气候变化背景下，需要建立区域到国家尺度的碳监测与评估系统，支持制定合理有效的政策应对气候变化谈判和替代工业化减排方案国际现状NASA自2010年设碳专项研究基金2018年12月成功发射陆地生态卫星GEDI 欧空局计划在2021年发射生物量卫星BIOMASS国内现状中国陆地碳卫星科研星(计划2020年发射)旨在建立一套完善的国家尺度碳评估系统国家林业与草原局在重点试点区展开研究与验证京都议定书1995京都议定书1995蒙特利尔公约2000蒙特利尔公约2000巴黎协定2015巴黎协定2015欧空局BIOMASS卫星温室气体管理研究所温室气体管理研究所中国陆地碳卫星 科研星NA

264、SA陆地生态卫星14Le Qur et al.(2014)GATM=EFF+ELUC SLAND SOCEANWhy Forest Carbon?Why Forest Carbon?全球碳循环中全球碳循环中陆地碳库陆地碳库存在存在最大不确定性最大不确定性 森林碳森林碳是是陆地碳库陆地碳库中的重要组成部分中的重要组成部分 对森林碳量的高分辨率对森林碳量的高分辨率评估体系尚不完善评估体系尚不完善全球气候变化影响下的碳循环研究1HeightShrublandYoung ForestMature ForestPrimary ForestSecondary Forest森林扰动Disturbance森林

265、扰动Disturbance森林恢复Recovery森林恢复Recovery平衡Equilibrium平衡EquilibriumG:growth E:emission S:sink 什么是生物量什么是生物量 Biomass单位面积或单位时间积累的干物质量（吨单位面积或单位时间积累的干物质量（吨/公顷，公顷，ton/ha）树木、灌木、藤类植物、植物根系和土壤腐殖质中（Monk,1972)如何量测和估算如何量测和估算直接法直接法：砍伐或采样后实验室称量，推导统计模型（e.g.蓄积表，异速生长模型）间接法间接法：量测几何及物理指标，用于模型计算生物量转换为碳量生物量转换为碳量Carbon=*Bioma

266、ss(e.g.=0.5)森林生物量的定义15如何估算森林生物量？如何估算森林生物量？间接估算：区域尺度间接估算：区域尺度 遥感反演遥感反演激光雷达(LiDAR)成像雷达(SAR)成像光谱 优点：省时、省力、空间连续面数据省时、省力、空间连续面数据直接估算：样地尺度直接估算：样地尺度 地面调查+统计估算 局限性：费时、费力点采样数据费时、费力点采样数据(USFS)样地调查数据样地调查数据森林生物量分布森林生物量分布(Ruesch 2008;http:/cdiac.ornl.gov)遥感数据遥感数据遥感反演或模型模拟遥感反演或模型模拟估算方法1(Jenkins,2003)异速生长模型异速生长模型B

267、iomass=exp(b1+b2*ln dbh)样地生物量样地生物量Carbon=*Biomass样地平均高度样地平均高度 森林生态模型森林生态模型统计模型过程模型6 6报告提纲研究科学背景1 1研究方法与案例2 2研究总结3 37美国宇航局陆地生态系统基金基于激光雷达和雷达数据融合的生物量反演2009-2013美国宇航局碳专项基金碳储监测和预测系统（2012-2018）高分辨率碳储监测和预测系统第一期和第二期2012-2018研发MRV原型系统以支持碳交易机制建设2013-2016国家林业与草原局赤子计划项目基于陆地碳卫星数据建立森林生物量评估系统前期研究2018-2019武汉大学双一流建设

268、人才科研启动项目长江经济带区域森林生物量评估2019-20218科研项目支持29 9研究区：美国东北部缅因州LVIS=Land,Vegetation and Ice Sensor机载激光雷达器用于陆地、植被和冰观测研究区：美国东北部缅因州LVIS=Land,Vegetation and Ice Sensor机载激光雷达器用于陆地、植被和冰观测Acadian RegionAcadian RegionHuang W*,Sun G,Montesano P,Ni W,Zhang Z.(2013).Mapping biomass change after forest disturbance:Apply

269、ing LiDAR footprint-derived models at key map scales.Remote Sensing of Environment.134:319-332.DOI:10.1016/j.rse.2013.03.017.站点尺度测试Howland PenobscotHowland Penobscot基于Landsat时间序列数据(LTSS-VCT)的森林扰动数据集基于Landsat时间序列数据(LTSS-VCT)的森林扰动数据集(Huang,C.et al.2010)42010210波形激光雷达数据变化分析2003-2009年同一地点(距离3

270、50(d)2009-2003(CI)0105km(c)2009-2003Change of Biomass(Mg/ha)(,-100)-100,-50)-50,-25)-25,-15)-15,0)Neutral(0,15(15,25(25,50(50,100(100,)GainGainLossLoss(e)HF VCTVCTforestdisturb 84,02disturb 03,08Cut Typeplantationpre-clear(84-02)pre-stripe(84-02)pre-select(84-02)select-cut 0308(h)HF 2009-2003(CI)(g)

271、HF 2009-2003(f)HF Management010.5km1111森林生物量变化(2003-2009)样地尺度样地尺度验证波形激光雷达验证波形激光雷达足印尺度模型足印尺度模型预测生物量可靠性经验模型算法适用预测生物量可靠性经验模型算法适用典型区域反演典型区域反演美国东部站点森林生物量制图Huang et al.2013 RSEhttp:/carbon.nasa.gov/2NASA碳监测与预测CMS始自2010年高分辨率森林碳监测和预测系统132发展历程：郡县试点到州省尺度应用正向东部11州推广Field Data Collection and AnalysisField Data

272、Collection and Analysis Field Biomass EstimatesField Biomass EstimatesAllometry Allometry CalibrationCalibrationValidationValidationSmall-Footprint LidarSmall-Footprint LidarHigh-Resolution Imagery(NAIP)High-Resolution Imagery(NAIP)Error AnalysisError AnalysisAlgorithm Development&Image ProcessingAl

273、gorithm Development&Image ProcessingMachine Learning and Statistical ModelsMachine Learning and Statistical ModelsHigh Resolution Biomass EstimationHigh Resolution Biomass EstimationPrognostic Ecosystem ModelingPrognostic Ecosystem ModelingValidationValidationNational MappingNational MappingNational

274、 MappingNational MappingCarbon FluxCarbon FluxCarbon FluxCarbon FluxBiomassBiomassBiomassBiomassSequestration PotentialSequestration PotentialSequestration PotentialSequestration Potential美国东部和西部碳监测与预测流程图2Dubayah 201214高分辨率植被分布1515ONiell-Dunne et al.2014 2nDSM-CHM土地覆盖聚合统计植被结构指标:高度指标覆盖度指标30 x 30 m051

275、00高度高度(m)高度指标高度指标020406080100D05D15D25D35D45D55D65D75D85D95覆盖度覆盖度(%)覆盖度指标覆盖度指标平均高度高分辨率森林碳监测2随机森林模型)x,.,x,x(fy21n1616森林生物量预测高分辨率森林碳预测模型2平均高度生物量平均高度生物量.查找表查找表模型校正模型校正+10 年年+25 年年模型预测：森林生物量碳通量碳储量潜力模型预测：森林生物量碳通量碳储量潜力预测值预测值最佳匹配最佳匹配非生物环境变量模型初始化非生物环境变量模型初始化17Hurtt et al.2019 ERLHuang et al.accep

276、ted ERL高度驱动的过程生态模型高度驱动的过程生态模型Ecosystem Demography生物环境变量：郁闭度、类别和扰动率生物环境变量：郁闭度、类别和扰动率遥感反演：平均高度遥感反演：平均高度&生物量生物量182森林结构和碳储量分布监测与预测森林最高高度30-m森林植被覆盖度30-mLiDAR反演的森林生物量30-mHuang et al.2015 CBMED模型预测碳储潜力90-mHurt et al.2019 ERL192全美生物量数据产品ProductNominal YearData SourceRes.NBCD2000Landsat ETM+1999-2002SRTM 200

277、030mSaatchi2005MODIS Landsat PALSARGLAS 90mWilson2005MODIS mBlackard2001MODIS 2001250m验证国家尺度数据产品SaatchiNBCD 2000BlackardWilsonForestNon-forestAllNon-ForestAllForestNBCDBlackardWilson Saatchi CMS_RF AGBM(Mg/ha)粗分辨率数据产品250-m存在不同程度的低估2美国东部马里兰州省尺度应用204.7 146.1 113.1 129.7 170.6 63.3 22.6 14.

278、9 26.9 10.8 0 50 100 150 200 250 300 CMS NBCD Blackard Wilson Saatchi Total AGB(Tg)Non-forest Forest 20格林贝尔市（马里兰大学附近）格林贝尔市（马里兰大学附近）精细尺度不同数据产品的差异较大21加州索诺玛郡样地分布与土地利用图（4200 平方公里）通过网络平台共享实现数据可视化、探索与报告高分辨率数据集森林生物量、树高和其它变量可生成图形与表格形式的报告分析报告下载保存为PDF(输出格支持Excel表格)链接到其它相关数据研发可测量、可报告、可核查(MRV)原型系统在郡县尺度测试基于激光点云数

279、据反演生物量算法探索基于云数据平台数据共享&分析模式样地激光点云数据美国西部加州索诺玛郡县尺度试点2Huang,W.*,et al.(2017).County-Scale Biomass Map Comparison:a Case Study for Sonoma,California.Carbon Management,8(5):417-434.Duncanson L*,Huang W.,et al.(2017).Implications of Allometric Equation Selection for County-level Biomass Mapping.Carbon Bala

280、nce and Management.2017 Dec;12:18.222加州试点郡验证ProductNominal YearData SourceRes.Gonzalez2010LANDFIRE30mNBCD2000Landsat ETM+1999-2002SRTM 200030mSaatchi2005MODIS Landsat PALSARGLAS 90mWilson2005MODIS mBlackard2001MODIS 2001250m国家和区域尺度数据产品验证Optical-InSAR联合反演的数据产品一致性较好232美国东部三州省尺度推广应用研究区：美国东部

281、三州(15万平方公里)样地、平均树高(a)和激光雷达数据(b)分布图Huang,W.*,Dolan,K.,Swatantran,A.,Johnson,K.,Tang,H.,ONeil Dunne,J.,Dubayah,R.,Hurtt,G.(accepted).High-Resolution Mapping of Aboveground Biomass for Forest Carbon Monitoring-a Case Study in Three Mid-Atlantic States,USA.Environmental Research Letter.243美国东部三州省尺度推广应用H

282、uang et al.accepted ERL25Dubayah,R.O.,Swatantran,A.,Huang,W.*,et al.(2018).CMS:LiDAR-derived Aboveground Biomass,Canopy Height and Cover for Tri-State Region(MD,PA,DE).ORNL DAAC,Oak Ridge,Tennessee,USA.DOI：10.3334/ORNLDAAC/1538.Dubayah,R.,Swatantran,A.,Huang,W.*,et al.(2017).CMS:LiDAR-derived Aboveg

283、round Biomass,Canopy Height and Cover for Sonoma County,California 2013.ORNL DAAC,Oak Ridge,Tennessee,USA.DOI:10.3334/ORNLDAAC/1523.Dubayah,R.,Swatantran,A.,Huang,W.*,et al.(2016).CMS:LiDAR-derived Aboveground Biomass,Canopy Height and Cover for Maryland,2011.ORNL DAAC,Oak Ridge,Tennessee,USA.DOI:10

284、.3334/ORNLDAAC/1320.马里兰州数据集(Maryland)加州索诺玛郡数据集(Sonoma,CA)东部三州数据集(PA,MD,DE)碳监测项目发布的数据集2作为该郡计算碳储量的基础数据作为州资源环境规划部门确定最小森林面积和碳排放等政策的基准底图美国橡树岭国家实验室 数据中心作为制定美东十一州区域碳评估系统的试点原型26样地、机载激光雷达、星载多角度、多光谱与雷达数据研究站点位置和植被覆盖分布多源星载遥感数据Sentinel-1 C-波段雷达影像PALSAR-2L-波段雷达影像Landsat-8陆地卫星光学影像湘西典型森林区域植被高度和生物量制图基于陆地碳卫星数据建立森林生物量

285、评估系统前期研究2PALSAR 森林/非森林湘西重点林区属于国家建模类型的南方区域3个飞行航带2018年综合实验（样地431个）涵盖131(共147)个类型单元区域森林高度分布联合反演研究总结与展望327方法：基于主动遥感反演站点尺度的森林生物量及其变化样地尺度验证波形激光雷达足印尺度生物量预测模型可靠性经验模型算法适用于典型区域森林生物量反演应用：郡县-州省-跨州省区域高分辨率森林碳监测与预测高分辨率植被结构和生物量数据集支持国家尺度数据产品验证过程生态模型进行区域尺度高分辨的模拟与预测展望：区域到全球应用在轨和新卫星数据 GEDI，BIOMASS，中国陆地碳卫星多源数据融合面扩展 Land

286、sat，Sentinel,Gaofen，PALSAR,etc.28Huang W*,Dolan K,Swatantran A,Johnson K,Tang H,ONeil Dunne J,Dubayah R,Hurtt G.(Accepted).High-Resolution Mapping of Aboveground Biomass for Forest Carbon Monitoring-a Case Study in Three Mid-Atlantic States,USA.Environmental Research Letter.Hurtt G*,Zhao M,Sahajpal

287、R,Armstrong A,Birdsey RA,Campbell K,Dolan K,Dubayah R,Fish JP,Huang C,Huang W,Johnson K,Lamb R,Ma L,Marks R,OLeary III D,ONeil-Dunne J,Swantaran A,&Tang H.(2019).Beyond MRV:High-resolution forest carbon modeling for climate mitigation planning over MD,USA.Environment Research Letters.105846.Duncanso

288、n L,Huang W,Johnson K,Swatantran A,O-Neil Dune J,Hurtt G,Dubayah R.Implications of Allometric Equation Selection for County-level Biomass Mapping(2017).Carbon Balance and Management.2017 Dec;12:18.Huang W*,Swatantran A,Duncanson LI,Johnson K,Watkinson D,Dolan K,O-Neil Dune J,Hurtt,G.,&Dubayah,R.(201

289、7).County-Scale Biomass Map Comparison:a Case Study for Sonoma,California.Carbon Management,8(5):417-434.Johnson K,Domke GM,Russell MB,Walters B,Hom J,Peduzzi A,Birdsey R,Katelyn D,&Huang W.(2017).Estimating aboveground live understory vegetation carbon in the United States.Environmental Research Le

290、tters.12,125010.DOI:10.1088/1748-9326/aa8fdbHuang W*,Swatantran A,Johnson K,Duncanson L,Tang H,ONeil Dunne J,Hurtt G,Dubayah R.(2015).Local Discrepancies in Continental Scale Biomass Maps:A Case Study over Forested and Non-Forested Landscapes in Maryland,USA.Carbon Balance and Management.10-19.Huang

291、 W*,Sun G,Ni W,Zhang Z,Dubayah R.(2015).Sensitivity of Multi-Source SAR Backscatter to Changes in Forest Aboveground Biomass,Remote Sensing.8(7):9587-9609.Huang W*,Sun G,Montesano P,Ni W,Zhang Z.(2013).Mapping biomass change after forest disturbance:Applying LiDAR footprint-derived models at key map

292、 scales.Remote Sensing of Environment.134:319-332.相关期刊论文基于碳水耦合原理的遥感蒸散发模型：基于碳水耦合原理的遥感蒸散发模型：广泛使用的Penman-Monteith大叶模型有问题吗？广泛使用的Penman-Monteith大叶模型有问题吗？Jing M.Chen1,2,Xiangzhong Luo3,Jingxian Liu1,2,Holly Croft4,Weimin Ju21University of Toronto,Canada2Nanjing University of Information Science and Techno

293、logy,China3University of California at Berkeley,USA4Sheffield University,UK4thForum on Quantitative Remote Sensing15-16 June 2019,Nanjing University,ChinaOutline Penman-Monteith ET model Coupling at the leaf level Coupling at the canopy levelA New look at the Penman-Monteith modelPenman-Monteith ET

294、Model)1()(caasapnggeegcREProblems in its implementation:Determination of canopy conductance gcis often difficult and this“big-leaf”simplification theoretically causes underestimation of ET.Accurate only for closed canopiesThis is a beautiful model because it incorporates the impacts of available ene

295、rgy,atmospheric drying power and plant physiological control on ET,without empirical coefficients!Water and Carbon Cycle CouplingAt leaf levelAt canopy levelAt landscape levelCoupling of Carbon and Water Exchanges at Leaf Level(1)Vegetation transpires water in the process of capturing CO2from the ai

296、r required for its growthbACRHmgssc)(where m and b are empirical parameters,Csis the CO2concentration at the leaf surface,RH is the relative humidity at the leaf surface.The Ball-Berry modelCoupling of Carbon and Water Exchanges at Leaf Level(2)Significance:Agsc Tgs Farquhars ModelWcand Wjare temper

297、ature/nutrient-limited and light-limited gross photosynthesis ratesdjcRWWGPP),(minKCCVWiimc5.105.4iijCCJWLeaf-level Photosynthesis ModelSunlit LeafShaded LeafScaling from Leaf to CanopymutilayerBig-leafSun/shadeMultilayer&Sun/shadeshadedshadedsunsunLGPPLGPPGPPImportance of Shaded Leaves00

298、246810Sunlit or Shaded LAILeaf Area Index(LAI)Sunlit or Shaded LAILeaf Area Index(LAI)Sunlit LAIshaded LAI1)(coscos/)(LGsuneGLsunshadedLLLAssuming=0.7 and=45shadedsunlitAlthough GPP of shaded leaves is 2-3 times lower than that of sunlit leaves,shaded LAI may be 2-3 times more than sunlit LAI.Sunlit

299、 and Shaded Leaf Area Index and Irradiance CalculationsSsun=Sdircos/cos+SshadeSshade=(Sdif-Sdif,under)/LAI+CC=0.07Sdir(1.1-0.1LAI)exp(-cos)Sdif,under=Sdifexp(-0.5LAI/cost),cost=0.537+0.025LAILAIsun=2 cos(1-exp(-0.5LAI/cos)LAIshade=LAI-LAIsun Chen et al.(1999),Ecological ModelingF1F2F2F1NPP=+-root re

300、spirationEddy covarianceEddy covarianceNPP Derived from Two-Level Flux MeasurementsNPP Derived from Two-Level Flux MeasurementsChen et al.(1999),Ecological Modelingy=0.8376x+0.6326R2=0.8129-2-101112-2-101112Measured NPP(g C/m2/d)Modeled NPP(g C/m2/d)n=163(b)y=0.2044x+2.3645R2=0

301、.3998-2-101112-2-101112Measured NPP(g C/m2/d)Modeled NPP(g C/m2/d)n=163(c)Big-leaf model Sunlit-shaded leaf modelChen et al.(1999),Ecological ModelingComparison of Big-leaf and Two-leaf Models Against NPP Derived fromTower Flux Data(Old Aspen site,Saskatchewan,1994)Flux Measure

302、ment NetworksLuo,Chen,et al.,2017,AFMTwo-leaf(TL)and Big-leaf(BL)GPP Model Comparisons with Tower Flux MeasurementsAFREE AIRLEAF BOUNDARYLAYERLEAFCO2 Exchange:Reality Big-Leaf ModelRealityBig-Leaf ModelBRiRscRaBRiRscRaRaRscRiBRscBH2O Exchange:Reality Big-Leaf ModelRealityBig-Leaf ModelARsRaARsRaRaRs

303、ARsH2OH2OH2OLEAF BOUNDARYLAYERLEAFCO2CO2CO2FREEAIRLEAF BOUNDARYLAYERLEAFLEAF BOUNDARYLAYERLEAF(b)(a)Water and Carbon Flows Represented by Multiple Layers and Big-LeafChen,2010,Progress in Natural ScienceCanopy-level Water and Carbon Flux CouplingshadeshadescshadesunsunscsunLgPLgPP)()(_shadeshadessha

304、desunsunssunLgTLgTT)()(_Canopy level photosynthesis:Canopy level transpiration:where Psunand Pshadeare the average photosynthesis rates for sunlit and shaded leaves,respectively;and Tsunand Tshadeare the average transpiration rates for sunlit and shaded leaves,respectively.gscand gsare stomatal resi

305、stance for carbon and water molecules,respectively.gs/gsc=1.6.ET=T+EsoilSchemes of Estimating Canopy ConductancesunlitsunlitscLgg_Lggsunlitsc_shadedshadedssunlitsunlitscLgLgg_Luo,Chen,et al.,2017,AFMTwo-leaf(TL)and Big-leaf(BL)ET Model Comparisons with Tower Flux MeasurementsBig-Leaf,Two Big-leaf an

306、d Two-leaf ModelsGs_sunlit=Lsunlit*gs_sunlitGs_shaded=Lshaded*gs_shadedDifferences in ET Among Big-Leaf(BLBL),Two Big-leaf(TBLTBL)and Two-leaf(TLTL)ModelsBiases in ET and GPPBy Big-Leaf(BL),Two Big-leaf(TBL)and Two-leaf(TL)ModelsA New Look at Penman-Monteith ET ModelWhy Does the Penman-Monteith Mode

307、l Underestimate ET?errorg1g2g1+g2ET1ET2ET1+ET2ET3gsor Gs(m/s)G1()(saasapngeegcREy?Chen and Liu(RSE,in review)SummaryBig-leaf Photosynthesis ModelTwo-leaf Photosynthesis ModelTwo-leaf Stomatal ConductancesTwo-leaf ET ModelConclusion:The big-leaf Penman-Monteith ET model needs to be separated into sun

308、lit and shaded leaf componentsImproved Big-leaf ET Modelbut it underestimates ETBL Model Underestimates ET More at Higher LAIDifferences in ET Between Two Big-leaf(TBL)and Two-leaf(TL)Modelsshaded基于连续小波分析和生态环境因子反演红树植物生化组分1Contents1234研究背景与目的研究方法研究结果结论与展望2研究背景与目的1随着政府对红树林的重视，国内红树林的面积遏制了下降的趋势，但红树林生态系统

309、功能仍存在退化趋势，掌握红树林退化特征、过程及机理，对于红树林的生态修复以及保护具有重要意义。3研究背景与目的1定量理解红树林是否存在退化，需要长期立体监测红树林植被参数（生物物理参数、生物化学参数、植被与环境交互作用参数）、病害情况、红树林土壤环境、入侵物种状况、海水以及气候状况等。文献综述来看，红树林生态遥感集中在物种分类、面积动态监测、入侵物种监测以及生物物理参数遥感反演，生化组分的定量遥感研究关注度较少，也未深入探讨土壤属性对生化组分遥感反演的影响。为了有效获取对生化组分敏感的光谱信息，一阶微分是最常用的方法。作为“数学显微镜”，连续小波变换分析在增强光谱细节方面表现出巨大的应用潜力，

310、已应用在植被遥感的多个领域。4研究背景与目的1研究目的：基于红树植物叶片光谱，使用连续小波分析和随机森林回归构建红树植物生化组分（叶绿素、含水量、氮和磷）的反演模型；探索9个生态环境因子（物种、地区、病虫害、土壤盐度、土壤pH、土壤总碳、土壤总氮、土壤粘粒、土壤粉粒）在红树植物生化组分遥感反演所起的作用；5研究方法：数据2135个红树植物叶片和土壤样本包含4个物种（白骨壤、木榄、红海榄、桐花树）5个地区（北海山口保护区、湛江高桥保护区、北海湿地公园、北海党江镇、北海沙田镇）4个生化组分（叶绿素、含水量、氮和磷）6个土壤属性（盐度、pH、总碳、总氮、粘粒、砂粒）有无病害信息6研究方法：流程21、

311、数据处理：四种光谱变换：原始光谱（OR）、一阶微分（FDR）、连续小波变换光谱（OR_CWT、FDR_CWT，128个尺度）三种数据分组：随机分组（RS）、Kennard-Stone(KS)、sample set partitioning based on joint x-y distance(SPXY)2、随机森林回归模型构建与比较（探索哪种数据分组更适合红树林生化组分遥感反演，并作为基本方法继续探索生态环境因子在生化组分遥感反演所起的作用）3、生态环境因子在生化组分遥感反演所起的作用：针对全部样本（135个），对每个生态环境因子进行分类（按照物种分为4类，按照地区分为5类，按照病害信息分为

312、2类，土壤总碳、总氮、pH、土壤粘粒、土壤砂粒按照四分位数分为四类），针对每类样本，利用连续小波变换光谱(OR_CWT和FDR_CWT）分别构建随机森林回归模型（RFR）。耦合生态环境因子与连续小波变换光谱，基于最佳数据分组策略（RS/KS/SPXY）构建随机森林回归模型。7研究结果:相关性分析3统计意义上来说，土壤属性与生化组分之间的相关性较弱。8研究结果:相关性分析340080002400-0.3-0.2-0.10.00.10.20.30.4Min:-0.244 Max:0.335(A-4)Leaf PPearsons correlation coefficient(

313、r)Wavelength(nm)40080002400-0.6-0.5-0.4-0.3-0.2-0.10.00.1Min:-0.531 Max:0.043Pearsons correlation coefficient(r)Wavelength(nm)(A-2)Leaf Water40080002400-0.8-0.6-0.4-0.20.00.2Pearsons correlation coefficient(r)Wavelength(nm)(A-1)Leaf SPAD-502Min:-0.673 Max:0.221600200

314、02400-0.3-0.2-0.10.00.10.20.3Min:-0.297 Max:0.291(A-3)Leaf NPearsons correlation coefficient(r)Wavelength(nm)(B)First derivative reflectance(FDR)(A)Original reflectance(OR)40080002400-0.6-0.30.00.30.6Min:-0.599 Max:0.621(B-4)Leaf PPearsons correlation coefficient(r)Wavelength(nm)400800120

315、00-0.9-0.6-0.30.00.30.60.9Min:-0.741 Max:0.721(B-3)Leaf NPearsons correlation coefficient(r)Wavelength(nm)40080002400-0.9-0.6-0.30.00.30.6Min:-0.710 Max:0.619(B-2)Leaf WaterPearsons correlation coefficient(r)Wavelength(nm)40080002400-0.9-0.6-0.30.00.30.60.9Min:-0.735

316、 Max:0.753(B-1)Leaf SPAD-502Pearsons correlation coefficient(r)Wavelength(nm)总体来看，FDR与4个生化组分之间的相关性大于OR.9研究结果:相关性分析3总体来看，特定的尺度下（OR_CWTFDRORSPXY大于KS和RS叶绿素（SPAD-502）和氮含量反演精度大于水含量和磷含量0.00.51.01.52.02.53.03.54.0 OR FDR OR_CWT FDR_CWTRPD value(B)SPAD-502NPWaterPNWaterSPAD-502PNWaterSPAD-502RS methodKS met

317、hodSPXY method0.00.20.40.60.81.0R2Val value(A)RS methodKS methodSPXY methodSPAD-502NPWaterPNWaterSPAD-502PNWaterSPAD-502 OR FDR OR_CWT FDR_CWT11研究结果：生态环境因子在生化组分遥感反演所起的作用3总体而言，叶绿素（SPAD-502）和氮含量的模型精度(交叉验证精度）大于水含量和磷含量。分类别来看，病害状况（condition）、土壤粉粒（Soil silt）各类别对应的样本具有较好的生化组分反演精度，而物种（species）所对应的样本具有最差的精度。

318、按物种划分样本来看，相同物种之间的生化组分含量差异不大，导致各物种类别对应的精度较差。获取代表性的样本（土壤总碳含量2.34-3.37%、土壤总氮含量0.14-0.19%、土壤粘粒含量4.30-20.30%、土壤粉粒含量78.90-83.30%）一定程度上可能提高反演精度。12研究结果：生态环境因子在生化组分遥感反演所起的作用3加入生态环境因子后，生化组分反演精度得到不同程度的提升。叶绿素含量（SPAD-502）和氮含量的精度高于水含量和磷含量。统计128个RFR模型（128个尺度）重要变量的频率（右图）发现，物种（species）、地区（site）、土壤总碳（TC）对叶绿素和氮含量的反演模型

319、具有显著贡献作用。（不同物种具有不同光谱细节以及植被结构）13结论和展望4与原始光谱和一阶微分光谱相比，连续小波变换光谱能够提高红树林生化组分的反演精度，并建议使用SPXY分组策略对原始数据分成校正集和验证集。生态环境因子不同程度上影响生化组分反演精度，耦合生态环境因子与连续小波变换光谱能够进一步提高生化组分反演精度；叶绿素含量和氮含量反演精度高于水含量与磷含量。进一步探索土壤属性处于什么取值范围能够显著提高叶片生化组分反演精度；基于无人机和卫星遥感，利用连续小波分析深入研究红树林生化组分空间分布规律，为今后研究红树林的退化机制提供数据保障。14感谢您的聆听！2019.6.1515基于遥感的土

320、壤含水量与陆面蒸散发耦合优化模拟研究基于遥感的土壤含水量与陆面蒸散发耦合优化模拟研究第四届全国定量遥感学术论坛第四届全国定量遥感学术论坛一、立项依据研究背景研究背景1研究目标与科学问题研究目标与科学问题2数据与方法数据与方法3报告提纲报告提纲结果与讨论结果与讨论4总结总结5（一）研究背景（一）研究背景 土壤含水量与陆面蒸散发是地表水热平衡的基本变量土壤含水量与陆面蒸散发是地表水热平衡的基本变量 准确获取两者的时空分布数据是陆面水热过程机理研究的重要基础准确获取两者的时空分布数据是陆面水热过程机理研究的重要基础（一）研究背景（一）研究背景 优点：可以实现对两者的准确观测优点：可以实现对两者的准确

321、观测 缺点：无法有效反映两者的空间分布趋势缺点：无法有效反映两者的空间分布趋势 站点数据本身的空间代表性有限站点数据本身的空间代表性有限 站点密度过于稀疏站点密度过于稀疏土壤含水量与陆面蒸散发的传统观测方法土壤含水量与陆面蒸散发的传统观测方法涡度相关设备蒸渗仪大孔径闪烁仪土壤温湿度仪（一）研究背景（一）研究背景 遥感技术的快速发展为陆面水热过程的监测分析提供了丰富的数据源，极大地拓宽了陆面水热过程研究的领域和范围遥感技术的快速发展为陆面水热过程的监测分析提供了丰富的数据源，极大地拓宽了陆面水热过程研究的领域和范围 微波遥感使得土壤含水量的大范围直接观测成为了可能，一系列全球尺度的土壤湿度产品应

322、运而生（微波遥感使得土壤含水量的大范围直接观测成为了可能，一系列全球尺度的土壤湿度产品应运而生（SMOS、SMAP）遥感技术目前尚无法实现对陆面蒸散发的直接观测，但催生了一系列遥感蒸散发模型（遥感技术目前尚无法实现对陆面蒸散发的直接观测，但催生了一系列遥感蒸散发模型（SEBS、SEBAL、METRIC、TVX）问题问题1：微波遥感的：微波遥感的空间分辨率太低空间分辨率太低（2040km），土壤含水量微波反演的），土壤含水量微波反演的精度仍有待提高精度仍有待提高 问题问题2：陆面蒸散发的准确反演往往需要空气动力学：陆面蒸散发的准确反演往往需要空气动力学/热力学阻抗作输入，涉及到热力学阻抗作输入，

323、涉及到复杂的参数化过程复杂的参数化过程 时空分辨率高 简单易行 可同时进行土壤湿度与蒸散发的遥感估算（一）研究背景（一）研究背景基本假设1基本假设1：若研究区内存在着：若研究区内存在着足够多足够多的像元，则由地表温度（的像元，则由地表温度（Ts）和植被指数(）和植被指数(VI)构成的二维空间将形成具有物理意义的三角形或梯形边界；)构成的二维空间将形成具有物理意义的三角形或梯形边界；基本假设2：基本假设2：干湿边界代表土壤水分和蒸散发的干湿边界代表土壤水分和蒸散发的极端情况极端情况，每个像元的土壤湿度和蒸散发速率可以根据其在干湿边界中的，每个像元的土壤湿度和蒸散发速率可以根据其在干湿边界中的相对

324、位置相对位置，通过，通过线性插值线性插值的方法求得的方法求得。特征空间法成功应用的关键在于干湿边界的正确选择关键参数Tsmax和Tcmax地表温度-植被指数特征空间法地表温度-植被指数特征空间法（一）研究背景（一）研究背景理论干边的提取方法：地表能量平衡方程理论干边的提取方法：地表能量平衡方程缺点：缺点：(1)过程复杂，参数较多(2)逐日计算，工作冗余(2)只能应用于大面积晴天条件下，时间连续较差(1)过程复杂，参数较多(2)逐日计算，工作冗余(2)只能应用于大面积晴天条件下，时间连续较差方法：方法：最近研究表明，通过构建有效的目标函数和约束条件，利用最近研究表明，通过构建有效的目标函数和约束

325、条件，利用数据驱动数据驱动的方式，可以更加有效地进行陆面水热过程的连续遥感监测的方式，可以更加有效地进行陆面水热过程的连续遥感监测可行性：可行性：在特征空间方法中，特定空间范围内的在特征空间方法中，特定空间范围内的所有像元共享一组干湿边界所有像元共享一组干湿边界，并且该干湿边界，并且该干湿边界同时适用于土壤含水量与陆面蒸散发两个目标变量同时适用于土壤含水量与陆面蒸散发两个目标变量，这为两者的耦合优化模拟提供了充分的可行性。，这为两者的耦合优化模拟提供了充分的可行性。（二）研究目标与科学问题（二）研究目标与科学问题 研究目标研究目标 在特征空间法的理论框架下，基于数据驱动和参数优化的方法，实现土

326、壤含水量与陆面蒸散发的耦合模拟与连续估算，克服传统特征空间法的三大缺陷。在特征空间法的理论框架下，基于数据驱动和参数优化的方法，实现土壤含水量与陆面蒸散发的耦合模拟与连续估算，克服传统特征空间法的三大缺陷。拟解决的关键科学问题拟解决的关键科学问题 土壤含水量与陆面蒸散发实测数据能否用于特征空间法的校准；土壤含水量与陆面蒸散发实测数据能否用于特征空间法的校准；如何在特征空间法的框架下实现土壤含水量与陆面蒸散发的相互转化；如何在特征空间法的框架下实现土壤含水量与陆面蒸散发的相互转化；如何基于特征空间法实现土壤含水量与陆面蒸散发的连续监测。如何基于特征空间法实现土壤含水量与陆面蒸散发的连续监测。（三

327、）数据与方法（三）数据与方法 研究区域的选择与数据的处理研究区域的选择与数据的处理 蒸发比蒸发比(EF)实测数据实测数据 表层土壤含水量表层土壤含水量(SM)实测数据实测数据 MOD11A1：地表温度（：地表温度（Ts）MOD13A2：植被覆盖度（：植被覆盖度（fc）MOD03：太阳天顶角（：太阳天顶角（）MOD07_L2和和MOD06_L2：（：（Ta）（三）数据与方法（三）数据与方法 空气温度的遥感估算：空气温度的遥感估算：MOD07_L2提取的表层空气温度与提取的表层空气温度与MOD06提取的地表温度在近地表空气温度估算方面的误差具有很好的互补性提取的地表温度在近地表空气温度估算方面的误

328、差具有很好的互补性?创新点创新点：完全基于MODIS遥感产品实现了全天气条件下空气温度的遥感估算，为土壤湿度和蒸散发的遥感估算提供了数据基础。Zhu et al.,Remote Sens.Environ.,2017a（三）数据与方法（三）数据与方法 土壤湿度指数土壤湿度指数(SMI)的遥感提取的遥感提取?,?,?1?,?,?,?,?,?,?,?1?,?,?,?,?1?,?,?（三）数据与方法（三）数据与方法 蒸发比蒸发比(EF)的遥感估算的遥感估算?,?1.26 1?1?,?1?,?,?,?创新点创新点：降低了特征空间法对干边(Tsmax和Tcmax)的依赖性，只需要Tsmax的求解即可实现对

329、土壤湿度指数和蒸发比的遥感估算。Zhu et al.,Remote Sens.Environ.,2017b;Zhu et al.,J.Geophys.Res.,2017（三）数据与方法（三）数据与方法 土壤含水量与陆面蒸散发的耦合优化模拟土壤含水量与陆面蒸散发的耦合优化模拟?,?,?,?,?,?,?,?,?min?,?（三）数据与方法（三）数据与方法 土壤含水量与陆面蒸散发的耦合优化模拟土壤含水量与陆面蒸散发的耦合优化模拟 以土壤含水量为目标变量的优化算法目标函数：以土壤含水量为目标变量的优化算法目标函数：Co?,以蒸发比为目标变量的优化算法目标函数：以蒸发比为目标变量的优化算法目标函数：?约

330、束条件约束条件1：?约束条件约束条件2：,?A?.?.?本质本质：在特定的温度变化范围内，搜寻使得目标函数最优的：在特定的温度变化范围内，搜寻使得目标函数最优的A值。值。（四）结果与讨论（四）结果与讨论 以蒸发比为目标变量的校准结果以蒸发比为目标变量的校准结果 只利用只利用2004年年89天的晴天影像（研究区的云量小于天的晴天影像（研究区的云量小于20%）进行模型校准）进行模型校准 考虑到观测站点空间分布的稀疏性，只采用一个站点的实测值进行校准考虑到观测站点空间分布的稀疏性，只采用一个站点的实测值进行校准Calibration siteA(K)NrMAERMSEBE2342.5800.8530

331、.0880.110-0.018E4342800.8890.1240.1440.344E7349.5730.7010.1260.160-0.145E8350840.6390.0890.124-0.077E9349.5840.5770.1560.175-0.055E12341770.8830.1220.1470.144E13349.5820.5000.1620.1990.046E15349.5810.7400.1290.1510.035E18349690.7540.0940.115-0.031E19340.5810.8780.1060.1250.085E20346.5760.7410.0890.1

332、10-0.006E22341.5760.4780.0940.115-0.003E27338.5750.8360.0920.111-0.006Total-10180.7260.1140.1410.013（四）结果与讨论（四）结果与讨论 晴天条件下蒸发比估算结果的验证晴天条件下蒸发比估算结果的验证 虽然不同校准站点求得的虽然不同校准站点求得的A值存在较为显著的差异，但晴天条件下值存在较为显著的差异，但晴天条件下EF的验证精度并无明显差异的验证精度并无明显差异 对比分析表明，采用一个站点进行校准的优化模型已经达到了传统特征空间法的估算精度对比分析表明，采用一个站点进行校准的优化模型已经达到了传统特征

333、空间法的估算精度（四）结果与讨论（四）结果与讨论 与理论特征空间方法的对比分析与理论特征空间方法的对比分析1：干边的对比分析：干边的对比分析（四）结果与讨论（四）结果与讨论 与理论特征空间方法的对比分析与理论特征空间方法的对比分析2：EF的对比分析的对比分析 根据根据r、MAE和和RMSE的值判断，两种方法求得的的值判断，两种方法求得的EF并无明显差异并无明显差异 B的值表明，优化模型求得的的值表明，优化模型求得的EF高于理论特征空间方法的估算值，这主要是由于高于理论特征空间方法的估算值，这主要是由于Tsmax的高估引起的的高估引起的（四）结果与讨论（四）结果与讨论 与理论特征空间方法的对比分析与理论特征空间方法的对比分析2：EF的对比分析的对比分析优化方法优化方法EF的估算精度总体优于理论特征空间法，是否具有普遍性需要深入研究的估算精度总体优于理论特征空间法，是否具有普遍性需要深入研究（